論文の概要: Deep Transformer Networks for Time Series Classification: The NPP Safety Case

• arxiv url: http://arxiv.org/abs/2104.05448v1
• Date: Fri, 9 Apr 2021 14:26:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 09:34:07.823525
• Title: Deep Transformer Networks for Time Series Classification: The NPP Safety Case
• Title（参考訳）: 時系列分類のための深層変圧器ネットワーク:NPP安全事例
• Authors: Bing Zha, Alessandro Vanni, Yassin Hassan, Tunc Aldemir, Alper Yilmaz
• Abstract要約: 時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
• 参考スコア（独自算出の注目度）: 59.20947681019466
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: A challenging part of dynamic probabilistic risk assessment for nuclear power plants is the need for large amounts of temporal simulations given various initiating events and branching conditions from which representative feature extraction becomes complicated for subsequent applications. Artificial Intelligence techniques have been shown to be powerful tools in time-dependent sequential data processing to automatically extract and yield complex features from large data. An advanced temporal neural network referred to as the Transformer is used within a supervised learning fashion to model the time-dependent NPP simulation data and to infer whether a given sequence of events leads to core damage or not. The training and testing datasets for the Transformer are obtained by running 10,000 RELAP5-3D NPP blackout simulations with the list of variables obtained from the RAVEN software. Each simulation is classified as "OK" or "CORE DAMAGE" based on the consequence. The results show that the Transformer can learn the characteristics of the sequential data and yield promising performance with approximately 99% classification accuracy on the testing dataset.
• Abstract（参考訳）: 原子力発電所の動的確率的リスクアセスメントの難点は、様々な発生事象とその後の応用において代表的特徴抽出が複雑になる分岐条件に対して、大量の時間的シミュレーションが必要であることである。 人工知能技術は、時間依存のシーケンシャルデータ処理において強力なツールであり、大規模データから複雑な特徴を自動的に抽出し得ることが示されている。 Transformerと呼ばれる高度な時間的ニューラルネットワークは、時間依存のNPPシミュレーションデータをモデル化し、与えられたイベントのシーケンスがコア損傷を引き起こすか否かを推測するために、教師付き学習方式で使用される。 変圧器のトレーニングおよびテストデータセットは、ravenソフトウェアから取得した変数のリストと共に10000 relap5-3d nppブラックアウトシミュレーションを実行して得られる。 各シミュレーションは、結果に基づいて「OK」または「CORE DAMAGE」に分類される。 その結果, 変圧器はシーケンシャルデータの特徴を学習し, 約99%の分類精度で有望な性能が得られることがわかった。

関連論文リスト

• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• Representation Learning of Multivariate Time Series using Attention and Adversarial Training [2.0577627277681887]
  変換器をベースとしたオートエンコーダを提案し, 逆方向のトレーニングスキームを用いて, 人工時系列信号を生成する。 その結果,生成した信号は畳み込みネットワークを用いた場合よりも,模範的データセットとの類似性が高いことがわかった。
  論文  参考訳（メタデータ） (2024-01-03T21:32:46Z)
• DuETT: Dual Event Time Transformer for Electronic Health Records [14.520791492631114]
  我々はDuETTアーキテクチャを紹介した。これは、時間とイベントの両タイプにまたがるように設計されたトランスフォーマーの拡張である。 DuETTは集約された入力を使用し、スパース時系列は一定長さの正規シーケンスに変換される。 本モデルでは,MIMIC-IV と PhysioNet-2012 EHR データセットを用いて,複数の下流タスクにおける最先端のディープラーニングモデルより優れています。
  論文  参考訳（メタデータ） (2023-04-25T17:47:48Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Transformer-based conditional generative adversarial network for multivariate time series generation [0.0]
  時間依存データの条件付き生成は、非常に関心のあるタスクである。 変圧器を用いた時系列生成対向ネットワーク(TTS-GAN)の最近の提案 我々は、その生成された出力を特定のエンコードされたコンテキストに条件付けすることで、TS-GANを拡張する。 この変換器をベースとしたCGANは,異なる条件下で現実的な高次元および長大なデータ列を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-10-05T08:29:33Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Learning summary features of time series for likelihood free inference [93.08098361687722]
  時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。 以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-12-04T19:21:37Z)
• Deep Neural Network based Wide-Area Event Classification in Power Systems [2.2442786393371725]
  時間同期型ファーザー計測ユニット(PMU)のデータに基づいて、ディープニューラルネットワーク(DNN)に基づく分類を開発する。 提案した事象分類の有効性は、米国送電網の実際のデータセットを通して検証される。
  論文  参考訳（メタデータ） (2020-08-24T01:32:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。