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: 翻訳完了
- 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
- Performance Heterogeneity in Graph Neural Networks: Lessons for Architecture Design and Preprocessing [1.1126342180866644]
グラフニューラルネットワークは、グラフレベルの学習において最もポピュラーなアーキテクチャとして登場した。
優れたパフォーマンスを実現するには、注意深いモデル設計が必要です。
選択的なアプローチを提案する。これは、個々のパフォーマンスがリライトの恩恵を受けるグラフのみを対象としている。
論文 参考訳（メタデータ） (2025-03-01T16:18:07Z) - On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。
既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。
本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文 参考訳（メタデータ） (2023-05-30T03:55:37Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Contrastive Learning for Time Series on Dynamic Graphs [17.46524362769774]
本稿では,グラフと時系列の結合表現の教師なし学習のためのGraphTNCというフレームワークを提案する。
実世界のデータセットを用いた分類作業において有益であることを示す。
論文 参考訳（メタデータ） (2022-09-21T21:14:28Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Interpretable Feature Engineering for Time Series Predictors using
Attention Networks [6.617546606897785]
マルチヘッドアテンションネットワークを用いて解釈可能な機能を開発し,優れた予測性能を実現する。
カスタマイズされたアテンション層は、乗法的相互作用を明示的に使用し、時間的ダイナミクスを擬似的にキャプチャする特徴エンジニアリングヘッドを構築する。
論文 参考訳（メタデータ） (2022-05-23T20:13:08Z) - 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) - 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) - SpikE: spike-based embeddings for multi-relational graph data [0.0]
スパイクニューラルネットワークは、感覚処理から生じるタスクに主に適用されます。
業界や研究に幅広く適用されている豊富なデータ表現は、いわゆるナレッジグラフです。
本稿では,グラフ中のノードをニューロン集団の単一スパイク時間で表すスパイクベースのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-27T18:00:12Z) - 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)
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。