論文の概要: Homological Time Series Analysis of Sensor Signals from Power Plants

• arxiv url: http://arxiv.org/abs/2106.02493v1
• Date: Thu, 3 Jun 2021 10:52:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:50:27.600712
• Title: Homological Time Series Analysis of Sensor Signals from Power Plants
• Title（参考訳）: 発電プラントからのセンサ信号の時系列解析
• Authors: Luciano Melodia, Richard Lenz
• Abstract要約: 我々は、トポロジカルデータ解析技術を用いて、発電所全体のセンサ信号を学習するタスクに適したニューラルネットワーク分類器を構築する。 我々は1次元の深い畳み込み層と、積み重ねられた長い短期記憶を組み合わせたアーキテクチャを導出する。 検証のために, 同一建設方式の4つの発電所のセンサデータを用いて数値実験を行った。
• 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: In this paper, we use topological data analysis techniques to construct a suitable neural network classifier for the task of learning sensor signals of entire power plants according to their reference designation system. We use representations of persistence diagrams to derive necessary preprocessing steps and visualize the large amounts of data. We derive architectures with deep one-dimensional convolutional layers combined with stacked long short-term memories as residual networks suitable for processing the persistence features. We combine three separate sub-networks, obtaining as input the time series itself and a representation of the persistent homology for the zeroth and first dimension. We give a mathematical derivation for most of the used hyper-parameters. For validation, numerical experiments were performed with sensor data from four power plants of the same construction type.
• Abstract（参考訳）: 本稿では、トポロジカルデータ解析技術を用いて、その参照指定システムに基づいて、プラント全体のセンサ信号を学習するタスクに適したニューラルネットワーク分類器を構築する。 パーシステンスダイアグラムの表現を使用して、必要な前処理ステップを導出し、大量のデータを視覚化します。 永続特性の処理に適した残差ネットワークとして,1次元の深い畳み込み層と長期記憶の積み重ねを併用したアーキテクチャを導出する。 時系列自体の入力として得られる3つのサブネットワークと、ゼロ次元と1次元の永続ホモロジーの表現を組み合わせた。 使用するハイパーパラメータの大部分が数学的に導出される。 検証のために, 同一建設型4発電所のセンサデータを用いて数値実験を行った。

関連論文リスト

• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• Importance attribution in neural networks by means of persistence landscapes of time series [0.5156484100374058]
  分類タスクにおいて最も関連性の高いランドスケープレベルを識別できるネットワークアーキテクチャにゲーティング層を含める。 我々は、分類決定に関する洞察を与える時系列の近似形状を再構成する。
  論文  参考訳（メタデータ） (2023-02-06T21:43:39Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• 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)
• Encoded Prior Sliced Wasserstein AutoEncoder for learning latent manifold representations [0.7614628596146599]
  本稿では,Encoded Prior Sliced Wasserstein AutoEncoderを紹介する。 追加のプリエンコーダネットワークは、データ多様体の埋め込みを学習する。 従来のオートエンコーダとは違って,前者はデータの基盤となる幾何を符号化する。
  論文  参考訳（メタデータ） (2020-10-02T14:58:54Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)
• Handling Variable-Dimensional Time Series with Graph Neural Networks [20.788813485815698]
  IoT(Internet of Things)テクノロジは、複数のセンサからデータをキャプチャして、複数のセンサ時系列を生成する。 このようなマルチセンサー時系列モデリングのための既存のニューラルネットワークに基づくアプローチは、一定の入力次元またはセンサー数を想定している。 我々は、時系列のソースごとに異なるセンサーのサブセットの可用性やインストールにより、時系列が入力次元の異なるマルチセンサ時系列からニューラルネットワークモデルをトレーニングすることを検討する。
  論文  参考訳（メタデータ） (2020-07-01T12:11:16Z)
• Sensor selection on graphs via data-driven node sub-sampling in network time series [0.0]
  本稿では,時系列ネットワーク上でセンサの最適なサンプリングセットを選択するという問題に対処する。 我々は,一定数のセンサをオフにするか,あるいは等価にノードのサンプリングセットを選択するために,データ駆動の様々な戦略を提案し,比較する。 提案手法の性能を明らかにするため, 異なる都市における自転車共有ネットワークの実データ解析に関する数値実験を行った。
  論文  参考訳（メタデータ） (2020-04-24T15:51:57Z)

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。