論文の概要: Reconstructing nodal pressures in water distribution systems with graph
neural networks
- arxiv url: http://arxiv.org/abs/2104.13619v1
- Date: Wed, 28 Apr 2021 07:56:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 12:43:26.509312
- Title: Reconstructing nodal pressures in water distribution systems with graph
neural networks
- Title(参考訳): グラフニューラルネットワークを用いた配水系統における潮圧の再構成
- Authors: Gergely Hajgat\'o and B\'alint Gyires-T\'oth and Gy\"orgy Pa\'al
- Abstract要約: 本論文では, 限られたノード数のみを観測することにより, すべてのノード圧を再構築するデータ駆動手法を提案する。
本手法は,水ネットワーク上でのグラフ畳み込みが可能となるK局所化スペクトルグラフフィルタに基づく。
提案モデルの性能は、観察されたノードの総数と異なる数のノードで3つのWDSで示される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowing the pressure at all times in each node of a water distribution system
(WDS) facilitates safe and efficient operation. Yet, complete measurement data
cannot be collected due to the limited number of instruments in a real-life
WDS. The data-driven methodology of reconstructing all the nodal pressures by
observing only a limited number of nodes is presented in the paper. The
reconstruction method is based on K-localized spectral graph filters, wherewith
graph convolution on water networks is possible. The effect of the number of
layers, layer depth and the degree of the Chebyshev-polynomial applied in the
kernel is discussed taking into account the peculiarities of the application.
In addition, a weighting method is shown, wherewith information on friction
loss can be embed into the spectral graph filters through the adjacency matrix.
The performance of the proposed model is presented on 3 WDSs at different
number of nodes observed compared to the total number of nodes. The weighted
connections prove no benefit over the binary connections, but the proposed
model reconstructs the nodal pressure with at most 5% relative error on average
at an observation ratio of 5% at least. The results are achieved with shallow
graph neural networks by following the considerations discussed in the paper.
- Abstract(参考訳): 配水システム(WDS)の各ノードにおける常時の圧力を知ることは、安全かつ効率的な操作を容易にする。
しかし,実物WDSの楽器数が限られているため,完全な測定データは収集できない。
本論文では, 限られた数のノードのみを観測して全ての節圧を再構成するデータ駆動手法について述べる。
本手法は,水ネットワーク上でのグラフ畳み込みが可能となるK局所化スペクトルグラフフィルタに基づく。
カーネルに適用される層数,層深さ,およびチェビシェフ・ポリノミカルの程度が,アプリケーションの特異性を考慮して検討した。
さらに、摩擦損失に関する情報を隣接行列を介してスペクトルグラフフィルタに埋め込むことができる重み付け法を示す。
提案モデルの性能は, 観測ノード数が異なる3つのwdssにおいて, 総ノード数と比較して示される。
重み付き接続は2次接続よりも有益であるが,提案モデルでは,少なくとも5%の観測比で平均5%の相対誤差で結節圧力を復元する。
この結果は,論文で論じた考察に従い,浅層グラフニューラルネットワークを用いて得られた。
関連論文リスト
- Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳(メタデータ) (2024-01-12T17:57:07Z) - Geometric Graph Filters and Neural Networks: Limit Properties and
Discriminability Trade-offs [122.06927400759021]
本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。
これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
論文 参考訳(メタデータ) (2023-05-29T08:27:17Z) - Deep Graph Neural Networks via Flexible Subgraph Aggregation [50.034313206471694]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習し、近隣情報を集約することでノードの表現を学ぶ。
本稿では,サブグラフアグリゲーションの観点から,GNNの表現力を評価する。
サブグラフアグリゲーションの異なるホップをより柔軟に活用できるサンプリングベースノードレベル残余モジュール(SNR)を提案する。
論文 参考訳(メタデータ) (2023-05-09T12:03:42Z) - A Finite Element-Inspired Hypergraph Neural Network: Application to
Fluid Dynamics Simulations [4.984601297028257]
ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。
本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。
本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
論文 参考訳(メタデータ) (2022-12-30T04:10:01Z) - Design of Compressed Sensing Systems via Density-Evolution Framework for
Structure Recovery in Graphical Models [10.667885727418705]
観測データからベイズネットワークの構造を学習することはNP-Hard問題であることが示されている。
圧縮線形測定システムを最適化するための新しい密度進化に基づくフレームワークを提案する。
GBNの構造は実際に圧縮された測定結果から復元可能であることを示す。
論文 参考訳(メタデータ) (2022-03-17T22:16:38Z) - Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。
教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。
G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
論文 参考訳(メタデータ) (2022-02-13T07:46:24Z) - Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
勾配勾配勾配を用いた2層ReLUネットワークについて検討する。
SGDは単純な解に偏りがあることが示される。
また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
論文 参考訳(メタデータ) (2021-11-03T15:14:20Z) - Online non-parametric change-point detection for heterogeneous data
streams observed over graph nodes [79.94639436527454]
本稿では,各ノードのデータストリームに関連付けられた後変化分布と前変化分布の確率比の直接推定に基づいて,$tau$を推定するオンラインノンパラメトリック手法を提案する。
合成実験と実世界の応用について,本手法の質を実証する。
論文 参考訳(メタデータ) (2021-10-20T12:10:15Z) - A Deep Graph Wavelet Convolutional Neural Network for Semi-supervised
Node Classification [11.959997989844043]
グラフ畳み込みニューラルネットワークは、非ユークリッドデータによるノード分類やその他のタスクに優れたソリューションを提供します。
半教師付きノード分類タスクのための新しいディープグラフウェーブレット畳み込みネットワーク(DeepGWC)を提案する。
論文 参考訳(メタデータ) (2021-02-19T07:57:28Z)
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。