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/2205.05250v2
- Date: Thu, 5 Oct 2023 14:32:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-10-06 23:34:29.200612
- 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, Xiaojun Liang, Chunhua Yang, Zhiwen Chen, and Weihua Gui
- Abstract要約: この研究は『安全と環境保護』誌に掲載されている。
本稿のテーマは,同じ産業プロセスにおける多数の変数の時空間的関連性に依存する。
- 参考スコア（独自算出の注目度）: 14.293607141651684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thank you very much for the attention and concern of colleagues and scholars
in this work. With the comments and guidance of experts, editors, and
reviewers, this work has been accepted for publishing in the journal "Process
Safety and Environmental Protection". The theme of this paper relies on the
Spatial-temporal associations of numerous variables in the same industrial
processes, which refers to numerous variables obtained in dynamic industrial
processes with Spatial-temporal correlation characteristics, i.e., these
variables are not only highly correlated in time but also interrelated in
space. To handle this problem, three key issues need to be well addressed:
variable characteristics modeling and representation, graph network
construction (temporal information), and graph characteristics perception. The
first issue is implemented by assuming the data follows one improved Gaussian
distribution, while the graph network can be defined by the monitoring
variables and their edges which are calculated by their characteristics in
time. Finally, these networks corresponding to process states at different
times are fed into a graph convolutional neural network to implement graph
classification to achieve process monitoring. A benchmark experiment (Tennessee
Eastman chemical process) and one application study (cobalt purification from
zinc solution) are employed to demonstrate the feasibility and applicability of
this paper.
- Abstract（参考訳）: この作品における同僚や学者の注意と関心に感謝します。
専門家、編集者、レビュアーのコメントとガイダンスにより、この研究は『プロセス安全と環境保護』誌に掲載された。
本論文のテーマは,同一産業過程における多数の変数の空間-時間的関係に依存し,空間-時間的相関特性を持つ動的産業過程において得られる多数の変数,すなわちこれらの変数は時間的に高い相関を持つだけでなく,空間における相互関係も指す。
この問題に対処するには、変数特性モデリングと表現、グラフネットワーク構築(時間情報)、グラフ特性知覚という3つの重要な課題に対処する必要がある。
第1の問題は、ガウス分布を改良したものと仮定し、グラフネットワークは、その特性によって時間的に計算される監視変数とそのエッジによって定義できる。
最後に、異なるタイミングでプロセス状態に対応するこれらのネットワークをグラフ畳み込みニューラルネットワークに入力して、プロセス監視を実現するグラフ分類を実装する。
評価実験(tennessee eastman chemical process)と1つの応用実験(cobalt clean from zinc solution)を用いて,本論文の有効性と適用性を示す。
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。