Fugu-MT 論文翻訳(概要): A Computational Framework for Modeling Complex Sensor Network Data Using Graph Signal Processing and Graph Neural Networks in Structural Health Monitoring

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

Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
論文参考訳（メタデータ） (2024-11-09T19:10:33Z)
Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
論文参考訳（メタデータ） (2024-10-23T07:14:37Z)
Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文参考訳（メタデータ） (2024-10-13T02:22:14Z)
Hyperbolic Benchmarking Unveils Network Topology-Feature Relationship in GNN Performance [0.5416466085090772]
グラフ機械学習のための総合的なベンチマークフレームワークを導入する。我々は,現実的なトポロジ特性とノード特徴ベクトルを持つ合成ネットワークを生成する。その結果,ネットワーク構造とノード特徴間の相互作用にモデル性能が依存していることが明らかになった。
論文参考訳（メタデータ） (2024-06-04T20:40:06Z)
Node Classification via Semantic-Structural Attention-Enhanced Graph Convolutional Networks [0.9463895540925061]
SSA-GCN(Semantic-structure attention-enhanced graph convolutional Network)を導入する。グラフ構造をモデル化するだけでなく、分類性能を高めるために一般化されていない特徴を抽出する。 Cora と CiteSeer のデータセットに対する実験により,提案手法による性能改善が実証された。
論文参考訳（メタデータ） (2024-03-24T06:28:54Z)
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)
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)
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。