論文の概要: Spatial-temporal associations representation and application for process
monitoring using graph convolution neural network
- arxiv url: http://arxiv.org/abs/2205.05250v1
- Date: Wed, 11 May 2022 03:36:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 18:12:52.425416
- Title: Spatial-temporal associations representation and application for process
monitoring using graph convolution neural network
- Title(参考訳): グラフ畳み込みニューラルネットワークを用いた時空間関連表現とプロセスモニタリングへの応用
- Authors: Hao Ren, Chunhua Yang, Xiaojun Liang, Zhiwen Chen, and Weihua Gui
- Abstract要約: 本稿では,時間とともに動作状態を表現できる動的アソシエーションの特性について述べる。
空間ベースグラフ畳み込みニューラルネットワーク(SGCN)に基づく新しいプロセス監視手法を提案する。
- 参考スコア(独自算出の注目度): 13.484876339660117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial process data reflects the dynamic changes of operation conditions,
which mainly refer to the irregular changes in the dynamic associations between
different variables in different time. And this related associations knowledge
for process monitoring is often implicit in these dynamic monitoring data which
always have richer operation condition information and have not been paid
enough attention in current research. To this end, a new process monitoring
method based on spatial-based graph convolution neural network (SGCN) is
proposed to describe the characteristics of the dynamic associations which can
be used to represent the operation status over time. Spatia-temporal graphs are
firstly defined, which can be used to represent the characteristics of node
attributes (dynamic edge features) dynamically changing with time. Then, the
associations between monitoring variables at a certain time can be considered
as the node attributes to define a snapshot of the static graph network at the
certain time. Finally, the snapshot containing graph structure and node
attributes is used as model inputs which are processed to implement graph
classification by spatial-based convolution graph neural network with aggregate
and readout steps. The feasibility and applicability of this proposed method
are demonstrated by our experimental results of benchmark and practical case
application.
- Abstract(参考訳): 産業プロセスデータは、動作条件の動的変化を反映しており、主に異なる時間における異なる変数間の動的関連の不規則な変化を指す。
そして、この関連したプロセス監視に関する知識は、常によりリッチな操作条件情報を持ち、現在の研究で十分な注意を払っていない動的な監視データにおいて暗黙的に存在します。
この目的のために,空間ベースグラフ畳み込みニューラルネットワーク(SGCN)に基づく新しいプロセス監視手法を提案し,時間とともに動作状態を表すために使用できる動的アソシエーションの特性について述べる。
Spatia-temporal graph は、時間とともに動的に変化するノード属性(動的エッジ特徴)の特徴を表現するために使われる。
そして、ある時点における変数の監視の間の関連を、特定の時点における静的グラフネットワークのスナップショットを定義するノード属性とみなすことができる。
最後に、グラフ構造とノード属性を含むスナップショットをモデル入力として使用し、集約および読み出しステップを備えた空間ベースの畳み込みグラフニューラルネットワークによるグラフ分類を実装する。
本手法の有効性と適用性は,本手法のベンチマークおよび実例適用実験により実証した。
関連論文リスト
- Graph Ordering Attention Networks [22.468776559433614]
グラフニューラルネットワーク(GNN)は、グラフ構造化データに関わる多くの問題でうまく使われている。
近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。
GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
論文 参考訳(メタデータ) (2022-04-11T18:13:19Z) - AEGNN: Asynchronous Event-based Graph Neural Networks [54.528926463775946]
イベントベースのグラフニューラルネットワークは、標準のGNNを一般化して、イベントを"進化的"時間グラフとして処理する。
AEGNNは同期入力で容易に訓練でき、テスト時に効率的な「非同期」ネットワークに変換できる。
論文 参考訳(メタデータ) (2022-03-31T16:21:12Z) - Deep Dynamic Effective Connectivity Estimation from Multivariate Time
Series [0.0]
我々はニューラルネットワークトレーニング(DECENNT)による動的有効接続推定を開発する。
DECENNTは5つの異なるタスクに対して最先端(SOTA)メソッドを上回り、解釈可能なタスク固有の動的グラフを推論する。
論文 参考訳(メタデータ) (2022-02-04T21:14:21Z) - Efficient-Dyn: Dynamic Graph Representation Learning via Event-based
Temporal Sparse Attention Network [2.0047096160313456]
動的グラフニューラルネットワークは、研究者からますます注目を集めている。
本稿では,新しい動的グラフニューラルネットワークであるEfficient-Dynを提案する。
時間的情報を同じ量の時間的トポロジ的構造を持つパッチのシーケンスに適応的に符号化する。
論文 参考訳(メタデータ) (2022-01-04T23:52:24Z) - Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。
EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
論文 参考訳(メタデータ) (2021-12-14T22:24:53Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [78.82484713596226]
本稿では,道路網における交通予測のための時空間共同グラフ畳み込み (STJGCN) を提案する。
具体的には、包括的空間相関と動的時間相関を表わす任意の2つの時間ステップ間で、事前定義された、適応的な関節グラフ(STJG)を構築する。
異なる範囲の情報を集約するマルチレンジアテンション機構を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - WalkingTime: Dynamic Graph Embedding Using Temporal-Topological Flows [3.8073142980733]
本稿では,時間処理の基本的な違いに基づいて,新しい埋め込みアルゴリズムWalkingTimeを提案する。
我々は、時間的および位相的局所的な相互作用からなるフローを、時間的属性の離散化やアライメントを必要とせずに、プリミティブとして保持する。
論文 参考訳(メタデータ) (2021-11-22T00:04:02Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳(メタデータ) (2021-10-06T16:08:44Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。
より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文 参考訳(メタデータ) (2021-03-05T10:46:16Z) - Mutually exciting point process graphs for modelling dynamic networks [0.0]
相互励起点過程グラフ(MEG)と呼ばれる動的ネットワークのための新しいモデルのクラスが提案される。
MEGは、Dyadicマーク付きポイントプロセスのためのスケーラブルなネットワークワイド統計モデルであり、異常検出に使用できる。
このモデルはシミュレーショングラフと実世界のコンピュータネットワークデータセット上でテストされ、優れた性能を示す。
論文 参考訳(メタデータ) (2021-02-11T10:14:55Z)
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。