論文の概要: On an application of graph neural networks in population based SHM
- arxiv url: http://arxiv.org/abs/2203.01646v1
- Date: Thu, 3 Mar 2022 11:11:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 17:07:56.470635
- Title: On an application of graph neural networks in population based SHM
- Title(参考訳): 人口ベースSHMにおけるグラフニューラルネットワークの適用について
- Authors: G. Tsialiamanis, C. Mylonas, E. Chatzi, D.J. Wagg, N. Dervilis, K.
Worden
- Abstract要約: 本研究の目的は,異なる大きさのトラスの最初の自然発生頻度を,異なる環境温度,異なるバー部材タイプで予測することである。
回帰の精度は、訓練に使われたものよりも多くのノードとメンバーを持つ構造でも満足できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Attempts have been made recently in the field of population-based structural
health monitoring (PBSHM), to transfer knowledge between SHM models of
different structures. The attempts have been focussed on homogeneous and
heterogeneous populations. A more general approach to transferring knowledge
between structures, is by considering all plausible structures as points on a
multidimensional base manifold and building a fibre bundle. The idea is quite
powerful, since, a mapping between points in the base manifold and their
fibres, the potential states of any arbitrary structure, can be learnt. A
smaller scale problem, but still useful, is that of learning a specific point
of every fibre, i.e. that corresponding to the undamaged state of structures
within a population. Under the framework of PBSHM, a data-driven approach to
the aforementioned problem is developed. Structures are converted into graphs
and inference is attempted within a population, using a graph neural network
(GNN) algorithm. The algorithm solves a major problem existing in such
applications. Structures comprise different sizes and are defined as abstract
objects, thus attempting to perform inference within a heterogeneous population
is not trivial. The proposed approach is tested in a simulated population of
trusses. The goal of the application is to predict the first natural frequency
of trusses of different sizes, across different environmental temperatures and
having different bar member types. After training the GNN using part of the
total population, it was tested on trusses that were not included in the
training dataset. Results show that the accuracy of the regression is
satisfactory even in structures with higher number of nodes and members than
those used to train it.
- Abstract(参考訳): 人口ベースの構造健康モニタリング(pbshm)の分野では,近年,異なる構造のscmモデル間の知識の伝達が試みられている。
この試みは同種および異種集団に焦点を当てている。
構造間で知識を伝達するより一般的なアプローチは、すべての可算構造を多次元基底多様体上の点として考慮し、ファイバー束を構築することである。
基本多様体の点とそのファイバーの間の写像、任意の構造のポテンシャル状態は学習できるので、この考えは非常に強力である。
より小さなスケールの問題は、しかしそれでも有用であり、全ての繊維の特定の点、すなわち人口内の損傷のない構造の状態に対応する点を学ぶことである。
PBSHMの枠組みでは、上記の問題に対するデータ駆動アプローチが開発されている。
構造はグラフに変換され、グラフニューラルネットワーク(GNN)アルゴリズムを用いて、集団内で推論が試みられる。
このアルゴリズムは、そのようなアプリケーションに存在する大きな問題を解決する。
構造はサイズが異なり、抽象オブジェクトとして定義されるため、不均質な集団内で推論を試みることは自明ではない。
提案手法はトラスをシミュレートした集団で検証した。
この応用の目的は、異なる大きさのトラスの最初の自然周波数を、異なる環境温度と異なるバーメンバータイプで予測することである。
総人口の一部を使ってGNNを訓練した後、トレーニングデータセットに含まれていないトラスでテストされた。
その結果,リグレッションの精度は,ノード数やメンバ数が高い構造においても,トレーニングに使用したものよりも良好であることが判明した。
関連論文リスト
- Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。
本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。
グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
論文 参考訳(メタデータ) (2024-01-22T10:57:11Z) - Memorization with neural nets: going beyond the worst case [5.662924503089369]
実際には、ディープニューラルネットワークはトレーニングデータを簡単に補間できることが多い。
しかし、実世界のデータについては、暗記能力によって提案されるよりもネットワークサイズが小さいような良質な構造の存在を直感的に期待する。
2つのクラスを持つ固定有限データセットを与えられた場合、高い確率で3層ニューラルネットワークを時間内に補間する単純なランダム化アルゴリズムを導入する。
論文 参考訳(メタデータ) (2023-09-30T10:06:05Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳(メタデータ) (2023-06-14T09:21:15Z) - Influence Maximization (IM) in Complex Networks with Limited Visibility
Using Statistical Methods [2.320417845168326]
影響文学(IM)問題はNP完全問題(NP完全問題)として知られており、時間内に解が存在しない。
この複雑さを改善するために提案された手法のほとんどは、グラフ全体が見えるという仮定に基づいている。
本研究では,リンク予測手法による現在の手法を擬似可視グラフに拡張する。
論文 参考訳(メタデータ) (2022-08-28T07:55:54Z) - What Can Be Learnt With Wide Convolutional Neural Networks? [69.55323565255631]
カーネルシステムにおける無限大の深層CNNについて検討する。
我々は,深部CNNが対象関数の空間スケールに適応していることを証明する。
我々は、別の深部CNNの出力に基づいて訓練された深部CNNの一般化誤差を計算して結論付ける。
論文 参考訳(メタデータ) (2022-08-01T17:19:32Z) - Hybrid Bayesian network discovery with latent variables by scoring
multiple interventions [5.994412766684843]
離散データから構造学習を行うためのハイブリッドmFGS-BSアルゴリズムを提案する。
このアルゴリズムは潜伏変数の存在下で因果不整合を仮定し、部分アンセストラルグラフ(PAG)を生成する。
実験の結果,mFGS-BSは最先端技術と比較して構造学習精度が向上し,計算効率が向上した。
論文 参考訳(メタデータ) (2021-12-20T14:54:41Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳(メタデータ) (2021-07-31T10:25:26Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - Connecting the Dots: Multivariate Time Series Forecasting with Graph
Neural Networks [91.65637773358347]
多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。
グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。
提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
論文 参考訳(メタデータ) (2020-05-24T04:02:18Z) - Multivariate Time Series Forecasting with Transfer Entropy Graph [5.179058210068871]
我々はニューラルグランガー因果性(CauGNN)を用いた新しいエンドツーエンドディープラーニングモデル、グラフニューラルネットワークを提案する。
各変数はグラフノードと見なされ、各エッジは変数間のカジュアルな関係を表す。
提案したCauGNNを評価するために,実世界の3つのベンチマークデータセットが使用されている。
論文 参考訳(メタデータ) (2020-05-03T20:51:00Z)
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。