論文の概要: Learning Physical Concepts in Cyber-Physical Systems: A Case Study
- arxiv url: http://arxiv.org/abs/2111.14151v1
- Date: Sun, 28 Nov 2021 14:24:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 15:36:58.366477
- Title: Learning Physical Concepts in Cyber-Physical Systems: A Case Study
- Title（参考訳）: サイバー物理システムにおける物理概念の学習 : 事例研究
- Authors: Henrik S. Steude and Alexander Windmann and Oliver Niggemann
- Abstract要約: 本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
- 参考スコア（独自算出の注目度）: 72.74318982275052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning (ML) has achieved great successes in recent decades, both in
research and in practice. In Cyber-Physical Systems (CPS), ML can for example
be used to optimize systems, to detect anomalies or to identify root causes of
system failures. However, existing algorithms suffer from two major drawbacks:
(i) They are hard to interpret by human experts. (ii) Transferring results from
one systems to another (similar) system is often a challenge. Concept learning,
or Representation Learning (RepL), is a solution to both of these drawbacks;
mimicking the human solution approach to explain-ability and transfer-ability:
By learning general concepts such as physical quantities or system states, the
model becomes interpretable by humans. Furthermore concepts on this abstract
level can normally be applied to a wide range of different systems. Modern ML
methods are already widely used in CPS, but concept learning and transfer
learning are hardly used so far. In this paper, we provide an overview of the
current state of research regarding methods for learning physical concepts in
time series data, which is the primary form of sensor data of CPS. We also
analyze the most important methods from the current state of the art using the
example of a three-tank system. Based on these concrete implementations1, we
discuss the advantages and disadvantages of the methods and show for which
purpose and under which conditions they can be used.
- Abstract（参考訳）: 機械学習(ML)は、研究と実践の両方において、ここ数十年で大きな成功を収めています。
サイバーフィジカルシステム(cps)では、例えば、mlはシステムの最適化や異常の検出、システム障害の根本原因の特定に使用することができる。
しかし、既存のアルゴリズムには2つの大きな欠点がある。
(一)人間の専門家による解釈が難しい。
(ii) あるシステムから他のシステム(類似)システムへの結果の転送は、しばしば困難である。
概念学習または表現学習(RepL)は、これら両方の欠点に対する解決策であり、説明可能性と伝達可能性に関する人間のソリューションアプローチを模倣する: 物理量やシステム状態といった一般的な概念を学ぶことで、モデルは人間によって解釈されるようになる。
さらに、この抽象レベルの概念は、通常、幅広い異なるシステムに適用することができる。
現代のML手法はすでにCPSで広く使われているが、概念学習や伝達学習はほとんど使われていない。
本稿では,CPSのセンサデータの主要な形態である時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,三段式システムの例を用いて,現在の美術品から最も重要な手法を分析する。
これらの具体的実装1に基づいて,提案手法の利点と欠点について考察し,その目的と使用条件について述べる。
関連論文リスト
- Interpretable Meta-Learning of Physical Systems [4.343110120255532]
最近のメタラーニング手法はブラックボックスニューラルネットワークに依存しており、計算コストが高く、解釈可能性も限られている。
我々は,学習課題に対するアフィン構造を持つ,より単純な学習モデルを用いて,マルチ環境の一般化を実現することができると論じる。
本稿では,物理系の最先端アルゴリズムと比較することにより,競合一般化性能と計算コストの低さを実証する。
論文 参考訳（メタデータ） (2023-12-01T10:18:50Z) - STPA for Learning-Enabled Systems: A Survey and A New Practice [12.665507596261266]
システム理論プロセス分析(System Theoretic Process Analysis、STPA)は、輸送、エネルギー、防衛を含む多くの産業セクターで使用されているハザード分析の体系的なアプローチである。
安全クリティカルシステムにおける機械学習(ML)の利用傾向は、学習可能システム(LES)へのSTPAの拡張の必要性につながっている。
我々は,31論文の体系的な調査を行い,これらを5つの視点から要約する(関心,研究対象,修正,デリバティブ,プロセスのモデル化)。
私たちはDeepSTPAを紹介します。DeepSTPAは、現状から欠落している2つの側面から、DeepSTPAを強化します。
論文 参考訳（メタデータ） (2023-02-21T10:43:51Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - Characterizing possible failure modes in physics-informed neural
networks [55.83255669840384]
科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。
既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。
これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
論文 参考訳（メタデータ） (2021-09-02T16:06:45Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - Empirically Measuring Transfer Distance for System Design and Operation [2.9864637081333085]
転送学習アルゴリズムには、学習すべき例がほとんどないことを示す。
本稿では, 転送可能な予測モデルを実現するために, マシン再構築手順の設計における転送距離の利用を検討する。
実践者は、コンポーネント学習システムで直面する学習理論上の課題を考慮したシステムの設計と運用に、提示された方法論を利用することができる。
論文 参考訳（メタデータ） (2021-07-02T16:45:58Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Watch and learn -- a generalized approach for transferrable learning in
deep neural networks via physical principles [0.0]
本研究では,物理状態の異なる統計物理学における問題に対して,完全に伝達可能な学習を実現するための教師なし学習手法を実証する。
逐次ニューラルネットワークに基づくシーケンスモデルを広範囲のディープニューラルネットワークに結合することにより、古典的な統計力学系の平衡確率分布と粒子間相互作用モデルを学ぶことができる。
論文 参考訳（メタデータ） (2020-03-03T18:37:23Z)
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。