論文の概要: Modeling and Validating Temporal Rules with Semantic Petri-Net for Digital Twins

• arxiv url: http://arxiv.org/abs/2203.04741v1
• Date: Fri, 4 Mar 2022 00:34:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-13 13:25:41.206440
• Title: Modeling and Validating Temporal Rules with Semantic Petri-Net for Digital Twins
• Title（参考訳）: ディジタル双生児のためのセマンティックペトリネットを用いた時間規則のモデル化と検証
• Authors: Han Liu, Xiaoyu Song, Ge Gao, Hehua Zhang, Yu-Shen Liu, Ming Gu
• Abstract要約: 本稿ではRDFSとSPARQLを直接ベースとしたカラーペトリネットの状態と遷移を実装した新しい時間的モデリングと検証手法を提案する。 いくつかのケースは、同時状態変化と依存関係を持つデジタルツインで可能なアプリケーションを示すために提供される。
• 参考スコア（独自算出の注目度）: 33.41507078699105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic rule checking on RDFS/OWL data has been widely used in the construction industry. At present, semantic rule checking is mainly performed on static models. There are still challenges in integrating temporal models and semantic models for combined rule checking. In this paper, Semantic Petri-Net (SPN) is proposed as a novel temporal modeling and validating method, which implements the states and transitions of the Colored Petri-Net directly based on RDFS and SPARQL, and realizes two-way sharing of knowledge between domain semantic webs and temporal models in the runtime. Several cases are provided to demonstrate the possible applications in digital twins with concurrent state changes and dependencies.
• Abstract（参考訳）: RDFS/OWLデータのセマンティック・ルールチェックは建設業界で広く利用されている。 現在、セマンティックルールチェックは主に静的モデル上で行われている。 複合ルールチェックのための時間モデルとセマンティックモデルの統合には依然として課題がある。 本稿ではsemantic petri-net(spn)を,rdfsとsparqlを直接ベースとする有色ペトリネットの状態と遷移を実装し,実行時のドメイン意味webと時間モデル間の知識の双方向共有を実現する新しい時相モデリングおよび検証手法として提案する。 いくつかのケースは、同時状態変化と依存関係を持つデジタルツインで可能なアプリケーションを示すために提供される。

関連論文リスト

• TimeDiT: General-purpose Diffusion Transformers for Time Series Foundation Model [11.281386703572842]
  TimeDiTは時間依存性学習と確率的サンプリングを組み合わせた拡散トランスフォーマーモデルである。 TimeDiTは、さまざまなタスクにわたるトレーニングと推論プロセスを調和させるために、統一的なマスキングメカニズムを採用している。 我々の体系的評価は、ゼロショット/ファインチューニングによる予測と計算という基本的なタスクにおいて、TimeDiTの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-03T22:31:57Z)
• UniTST: Effectively Modeling Inter-Series and Intra-Series Dependencies for Multivariate Time Series Forecasting [98.12558945781693]
  フラット化されたパッチトークンに統一された注意機構を含む変圧器ベースモデルUniTSTを提案する。 提案モデルでは単純なアーキテクチャを採用しているが,時系列予測のためのいくつかのデータセットの実験で示されたような,魅力的な性能を提供する。
  論文  参考訳（メタデータ） (2024-06-07T14:39:28Z)
• ConvTimeNet: A Deep Hierarchical Fully Convolutional Model for Multivariate Time Series Analysis [7.979501926410114]
  ConvTimeNetは時系列解析のために設計された階層的な純粋な畳み込みモデルである。 データ駆動方式で時間依存の基本単位の局所パターンを適応的に知覚する。 大規模なカーネル機構を使用して、畳み込みブロックが深く積み重ねられるようにする。
  論文  参考訳（メタデータ） (2024-03-03T12:05:49Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Causal Temporal Regime Structure Learning [49.77103348208835]
  本稿では,DAG(Directed Acyclic Graph)を並列に学習する新しい手法であるCASTORを提案する。 我々は我々の枠組みの中で体制とDAGの識別可能性を確立する。 実験により、CASTORは既存の因果発見モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-02T17:26:49Z)
• UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series Forecasting [59.11817101030137]
  この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。 効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。 効果的なドメイン間時系列学習のためのUniTimeを提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:30:22Z)
• TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations [3.8357850372472915]
  本稿では,モデル行動が局所化,定常性,時系列表現の相関とどのように関連しているかをアナリストが理解するために,新しいビジュアル分析フレームワークであるTimeTunerを提案する。 TimeTunerは時系列表現を特徴付けるのに役立ち、機能エンジニアリングのプロセスを導くのに役立ちます。
  論文  参考訳（メタデータ） (2023-07-19T11:40:15Z)
• SeqLink: A Robust Neural-ODE Architecture for Modelling Partially Observed Time Series [11.261457967759688]
  シーケンス表現の堅牢性を高めるために設計された,革新的なニューラルアーキテクチャであるSeqLinkを紹介する。 我々はSeqLinkが断続時系列のモデリングを改善し、一貫して最先端のアプローチより優れていることを示した。
  論文  参考訳（メタデータ） (2022-12-07T10:25:59Z)
• SeDyT: A General Framework for Multi-Step Event Forecasting via Sequence Modeling on Dynamic Entity Embeddings [6.314274045636102]
  イベント予測は、時間的知識グラフ推論において重要で困難なタスクである。 本稿では,動的エンティティ埋め込み上でシーケンスモデリングを行う識別フレームワークであるSeDyTを提案する。 時間的グラフニューラルネットワークモデルとシーケンスモデルを組み合わせることで、SeDyTは平均2.4%のMRR改善を実現している。
  論文  参考訳（メタデータ） (2021-09-09T20:32:48Z)
• The Semantic Adjacency Criterion in Time Intervals Mining [70.13948372218849]
  SAC(Semantic Adjacency Criterion)と呼ばれる頻繁な時間パターン発見過程における新たなプルーニング制約を提案する。 我々は3つのSACバージョンを定義し、その効果を3つの医学領域で検証した。
  論文  参考訳（メタデータ） (2021-01-11T12:23:49Z)

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。