論文の概要: A Computational Framework for Modeling Complex Sensor Network Data Using
Graph Signal Processing and Graph Neural Networks in Structural Health
Monitoring
- arxiv url: http://arxiv.org/abs/2105.05316v1
- Date: Sat, 1 May 2021 10:45:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 11:30:25.551271
- Title: A Computational Framework for Modeling Complex Sensor Network Data Using
Graph Signal Processing and Graph Neural Networks in Structural Health
Monitoring
- Title(参考訳): 構造健康モニタリングにおけるグラフ信号処理とグラフニューラルネットワークを用いた複雑なセンサネットワークデータのモデリングフレームワーク
- Authors: Stefan Bloemheuvel, Jurgen van den Hoogen, Martin Atzmueller
- Abstract要約: 本稿では,グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)を組み合わせた複雑なネットワークモデリングに基づくフレームワークを提案する。
我々は,オランダの大きな橋梁のセンサデータ(ひずみ,振動)のモデル化と解析という,実世界の構造的健康モニタリングユースケースに注目した。
- 参考スコア(独自算出の注目度): 0.7519872646378835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex networks lend themselves to the modeling of multidimensional data,
such as relational and/or temporal data. In particular, when such complex data
and their inherent relationships need to be formalized, complex network
modeling and its resulting graph representations enable a wide range of
powerful options. In this paper, we target this - connected to specific machine
learning approaches on graphs for structural health monitoring on an analysis
and predictive (maintenance) perspective. Specifically, we present a framework
based on Complex Network Modeling, integrating Graph Signal Processing (GSP)
and Graph Neural Network (GNN) approaches. We demonstrate this framework in our
targeted application domain of Structural Health Monitoring (SHM). In
particular, we focus on a prominent real-world structural health monitoring use
case, i.e., modeling and analyzing sensor data (strain, vibration) of a large
bridge in the Netherlands. In our experiments, we show that GSP enables the
identification of the most important sensors, for which we investigate a set of
search and optimization approaches. Furthermore, GSP enables the detection of
specific graph signal patterns (mode shapes), capturing physical functional
properties of the sensors in the applied complex network. In addition, we show
the efficacy of applying GNNs for strain prediction on this kind of data.
- Abstract(参考訳): 複雑なネットワークは、関係データや時間データといった多次元データのモデリングに役立つ。
特に、そのような複雑なデータとその固有の関係を形式化する必要がある場合、複雑なネットワークモデリングとそのグラフ表現は、幅広い強力な選択肢を可能にする。
本稿では、分析と予測(保守)の観点から、構造的健康モニタリングのためのグラフ上の特定の機械学習アプローチと関連付けることを目的とした。
具体的には、グラフ信号処理(GSP)とグラフニューラルネットワーク(GNN)のアプローチを統合する複雑なネットワークモデリングに基づくフレームワークを提案する。
我々は、このフレームワークをターゲットとするStructure Health Monitoring (SHM)アプリケーション領域で実証する。
特に,オランダの大規模橋梁のセンサデータ(ひずみ,振動)をモデル化し,解析する,目立った実世界の構造的健康モニタリングのユースケースに焦点を当てた。
本実験では, GSPが最も重要なセンサの識別を可能にし, 探索と最適化の一連のアプローチについて検討する。
さらに、GSPは特定のグラフ信号パターン(モード形状)の検出を可能にし、応用複合ネットワークにおけるセンサの物理的機能特性をキャプチャする。
さらに,このようなデータに対するひずみ予測にGNNを適用することの有効性を示す。
関連論文リスト
- DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳(メタデータ) (2024-01-28T06:43:13Z) - GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering [23.19392802641989]
ハイブリッドモデルベース/データ駆動手法を用いて,グラフ信号の追跡について検討する。
我々はGSP-KalmanNetを開発し、グラフィカルな測定から隠れたグラフィカルな状態を追跡する。
提案した GSP-KalmanNet は,精度の向上と実行時間性能の向上に加えて,モデルの誤特定に対する堅牢性の向上を実現している。
論文 参考訳(メタデータ) (2023-11-28T08:43:10Z) - BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。
我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。
BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2023-10-26T17:03:14Z) - Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。
センサデータの誤パターンを特定するには異常検出が不可欠である。
本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
論文 参考訳(メタデータ) (2023-04-19T01:32:32Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-11-15T13:00:25Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳(メタデータ) (2022-07-06T10:01:46Z) - Spiking Graph Convolutional Networks [19.36064180392385]
SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。
ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
論文 参考訳(メタデータ) (2022-05-05T16:44:36Z) - Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid
Scattering Networks [11.857894213975644]
本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。
理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
論文 参考訳(メタデータ) (2022-01-22T00:47:41Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - Graph signal processing for machine learning: A review and new
perspectives [57.285378618394624]
本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。
本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。
我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
論文 参考訳(メタデータ) (2020-07-31T13:21:33Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z)
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。