論文の概要: Data-driven Leak Localization in Water Distribution Networks via Dictionary Learning and Graph-based Interpolation

• arxiv url: http://arxiv.org/abs/2110.06372v1
• Date: Tue, 12 Oct 2021 21:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 15:48:23.073869
• Title: Data-driven Leak Localization in Water Distribution Networks via Dictionary Learning and Graph-based Interpolation
• Title（参考訳）: 辞書学習とグラフに基づく補間による水流ネットワークにおけるデータ駆動型漏洩位置推定
• Authors: Paul Irofti and Luis Romero-Ben and Florin Stoican and Vicen\c{c} Puig
• Abstract要約: 本稿では,2つの相補的アプローチを組み合わせた水分散ネットワーク(WDN)のデータ駆動リークローカライズ手法を提案する。 前者は、あるノードとネットワークグラフにおける実測値から完全なWDN油圧状態を推定する。 これらの実測値は、貴重な推定状態のサブセットとともに、辞書学習スキームの供給と訓練に使用される。
• 参考スコア（独自算出の注目度）: 2.5234156040689237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a data-driven leak localization method for water distribution networks (WDNs) which combines two complementary approaches: graph-based interpolation and dictionary classification. The former estimates the complete WDN hydraulic state (i.e., hydraulic heads) from real measurements at certain nodes and the network graph. Then, these actual measurements, together with a subset of valuable estimated states, are used to feed and train the dictionary learning scheme. Thus, the meshing of these two methods is explored, showing that its performance is superior to either approach alone, even deriving different mechanisms to increase its resilience to classical problems (e.g., dimensionality, interpolation errors, etc.). The approach is validated using the L-TOWN benchmark proposed at BattLeDIM2020.
• Abstract（参考訳）: 本稿では,グラフに基づく補間と辞書分類の2つの補完的アプローチを組み合わせた水流ネットワーク(wdns)のためのデータ駆動型漏洩局所化手法を提案する。 前者は、あるノードとネットワークグラフにおける実測値から完全なWDN油圧状態(すなわち油圧ヘッド)を推定する。 次に、これらの実測値は、価値ある推定状態のサブセットとともに、辞書学習スキームの供給と訓練に使用される。 したがって、これらの2つの手法のメッシュ化は、その性能がどちらのアプローチよりも優れていることを示し、古典的な問題(例えば、次元性、補間誤差など)に対するレジリエンスを高めるための異なるメカニズムを導出した。 この手法は、BattLeDIM2020で提案されたL-TOWNベンチマークを用いて検証されている。

関連論文リスト

• Piecewise-Linear Manifolds for Deep Metric Learning [8.670873561640903]
  教師なしの深度学習は、ラベルなしデータのみを使用して意味表現空間を学習することに焦点を当てる。 本稿では,各低次元線形片が点の小さな近傍でデータ多様体を近似して高次元データ多様体をモデル化することを提案する。 我々は、この類似度推定が、現在の最先端技術の類似度推定よりも基礎的真理と相関していることを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-22T06:22:20Z)
• NODDLE: Node2vec based deep learning model for link prediction [0.0]
  我々はNODDLE(NOde2vec anD Deep Learning mEthodの統合)を提案する。 実験結果から, この手法は, 従来のソーシャル・ネットワーク・データセットの手法よりも優れた結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-25T18:43:52Z)
• Learning Dictionaries from Physical-Based Interpolation for Water Network Leak Localization [1.747820331822631]
  本稿では,状態推定と学習に基づくリークローカライズ手法を提案する。 提案手法は, 配水ネットワークにおける隣接ノードの油圧ヘッド間の相互接続の物理値を利用する。
  論文  参考訳（メタデータ） (2023-04-21T13:07:08Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Collaborative likelihood-ratio estimation over graphs [55.98760097296213]
  グラフに基づく相対的制約のない最小二乗重要度フィッティング(GRULSIF) 我々はこの考え方を、グラフベースの相対的非制約最小二乗重要度フィッティング(GRULSIF)と呼ばれる具体的な非パラメトリック手法で開発する。 我々は、ノード当たりの観測回数、グラフのサイズ、およびグラフ構造がタスク間の類似性をどの程度正確にエンコードしているかといった変数が果たす役割を強調する、協調的なアプローチの収束率を導出する。
  論文  参考訳（メタデータ） (2022-05-28T15:37:03Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
  大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。 一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。 本稿では2つの新しい推定法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T13:42:32Z)
• Asymptotics of Network Embeddings Learned via Subsampling [4.23373349945751]
  本研究では,ノード2vecのようなサブサンプリング手法を用いて,単一の統一フレームワークへの表現手法について検討する。 これは、埋め込みベクトルが何を表現し、これらのメソッドが下流のタスクでいかにうまく機能するかを理解するための理論的基盤を提供する。 特に、一般的に使用される損失関数は、Fisher整合性の欠如などの欠点を引き起こす可能性があることを観察する。
  論文  参考訳（メタデータ） (2021-07-06T02:54:53Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。