論文の概要: Yes, DLGM! A novel hierarchical model for hazard classification

• arxiv url: http://arxiv.org/abs/2209.04576v1
• Date: Sat, 10 Sep 2022 02:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 12:57:15.555651
• Title: Yes, DLGM! A novel hierarchical model for hazard classification
• Title（参考訳）: はい、DLGM! 危険分類のための新しい階層モデル
• Authors: Zhenhua Wang, Ming Ren, Dong Gao, Bin Wang
• Abstract要約: 本稿では,リスク分類のための深層学習によるDLGMと呼ばれる新しいモデルを提案する。 ユースケースとして18の産業プロセスを採用し、一連の実験をローンチします。 実験の結果,DLGMはハザード分類に有望な適性を示した。
• 参考スコア（独自算出の注目度）: 6.257460513878887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hazards can be exposed by HAZOP as text information, and studying their classification is of great significance to the development of industrial informatics, which is conducive to safety early warning, decision support, policy evaluation, etc. However, there is no research on this important field at present. In this paper, we propose a novel model termed DLGM via deep learning for hazard classification. Specifically, first, we leverage BERT to vectorize the hazard and treat it as a type of time series (HTS). Secondly, we build a grey model FSGM(1, 1) to model it, and get the grey guidance in the sense of the structural parameters. Finally, we design a hierarchical-feature fusion neural network (HFFNN) to investigate the HTS with grey guidance (HTSGG) from three themes, where, HFFNN is a hierarchical structure with four types of modules: two feature encoders, a gating mechanism, and a deepening mechanism. We take 18 industrial processes as application cases and launch a series of experiments. The experimental results prove that DLGM has promising aptitudes for hazard classification and that FSGM(1, 1) and HFFNN are effective. We hope our research can contribute added value and support to the daily practice in industrial safety.
• Abstract（参考訳）: 危険はテキスト情報としてHAZOPによって暴露され、その分類を研究することは、安全早期警戒、意思決定支援、政策評価等に寄与する産業情報学の発展に非常に重要である。 しかし、現在この重要な分野の研究は行われていない。 本稿では,リスク分類のためのディープラーニングによるDLGMと呼ばれる新しいモデルを提案する。 具体的には、まずBERTを利用してハザードをベクトル化し、それを時系列(HTS)の一種として扱う。 次に, モデル化のためのグレーモデルFSGM(1, 1)を構築し, 構造パラメータの意味でのグレイガイダンスを得る。 最後に、階層型核融合ニューラルネットワーク(HFFNN)を設計し、3つのテーマからHTSをグレーガイダンス(HTSGG)で調べ、HFFNNは4種類のモジュールを持つ階層構造である。 18の産業プロセスを応用事例として、一連の実験を開始します。 実験の結果,DLGMはハザード分類に有望な適性を示し,FSGM(1, 1)とHFFNNが有効であることが確認された。 我々の研究が産業安全の日々の実践に付加価値と支援をもたらすことを願っている。

関連論文リスト

• What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
  安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。 安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。 これを用いて,3つのよく知られた安全微調整手法について検討する。
  論文  参考訳（メタデータ） (2024-07-14T16:12:57Z)
• Breaking Free: How to Hack Safety Guardrails in Black-Box Diffusion Models! [52.0855711767075]
  EvoSeedは、フォトリアリスティックな自然対向サンプルを生成するための進化戦略に基づくアルゴリズムフレームワークである。 我々は,CMA-ESを用いて初期種ベクトルの探索を最適化し,条件付き拡散モデルで処理すると,自然逆数サンプルをモデルで誤分類する。 実験の結果, 生成した対向画像は画像品質が高く, 安全分類器を通過させることで有害なコンテンツを生成する懸念が高まっていることがわかった。
  論文  参考訳（メタデータ） (2024-02-07T09:39:29Z)
• Navigating the OverKill in Large Language Models [84.62340510027042]
  モデルがどのように処理し,クエリの安全性を判断するかを検討することで,過剰スキルの要因について検討する。 以上の結果から,モデル内にショートカットが存在することが明らかとなり,"キル"のような有害な単語が過剰に認識され,安全性が強調され,過度なスキルが増すことが示唆された。 我々は、この現象を緩和するために、トレーニングフリーでモデルに依存しないセルフコントラストデコーディング(Self-Contrastive Decoding、CD)を導入する。
  論文  参考訳（メタデータ） (2024-01-31T07:26:47Z)
• Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
  深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。 本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-25T19:05:53Z)
• Securing Graph Neural Networks in MLaaS: A Comprehensive Realization of Query-based Integrity Verification [68.86863899919358]
  我々は機械学習におけるGNNモデルをモデル中心の攻撃から保護するための画期的なアプローチを導入する。 提案手法は,GNNの完全性に対する包括的検証スキーマを含み,トランスダクティブとインダクティブGNNの両方を考慮している。 本稿では,革新的なノード指紋生成アルゴリズムを組み込んだクエリベースの検証手法を提案する。
  論文  参考訳（メタデータ） (2023-12-13T03:17:05Z)
• Solution for the EPO CodeFest on Green Plastics: Hierarchical multi-label classification of patents relating to green plastics using deep learning [4.050982413149992]
  本研究の目的は,グリーンプラスチック関連技術開示特許の階層的多ラベル特許分類である。 本稿ではまず,この技術の分類手法と,特許を分類する機械学習モデルを学習する方法を提案する。 これを実現するために、我々は、教師付き学習環境で分類モデルを学ぶのに使用できるラベル付きトレーニングデータセットを作成するために、ラベルを特許に自動的に割り当てる戦略を考え出した。
  論文  参考訳（メタデータ） (2023-02-22T19:06:58Z)
• Zero Day Threat Detection Using Metric Learning Autoencoders [3.1965908200266173]
  企業ネットワークへのゼロデイ脅威(ZDT)の拡散は、非常にコストがかかる。 ディープラーニング手法は、高度に非線形な振る舞いパターンをキャプチャする能力にとって魅力的な選択肢である。 ここで提示されるモデルは、さらに2つのデータセットでトレーニングされ、評価され、新しいネットワークトポロジに一般化しても、有望な結果を示し続ける。
  論文  参考訳（メタデータ） (2022-11-01T13:12:20Z)
• Classification of hazard event via language fractal [6.257460513878887]
  フラクタル法によるHaE分類を言語の観点から検討するために,DLFと呼ばれる新しいディープラーニングモデルを提案する。 HmF-DFAと呼ばれる新しいマルチフラクタル法を提案し、時系列と見なされるHaEベクトルを解析してHaEフラクタル系列を計算する。 最後に,HaEフラクタル系列を処理する階層型ゲーティングニューラルネットワーク(HGNN)を設計し,HaEの分類を実現する。
  論文  参考訳（メタデータ） (2022-09-12T14:13:13Z)
• A novel knowledge graph development for industry design: A case study on indirect coal liquefaction process [2.150376643286944]
  産業安全のための知識グラフ開発(ISKG)が提案されている。 IEC61882の国際標準によれば、HAZOPを多レベル情報を含む危険事象に分解するために、トップダウンアプローチを用いる。 本稿では,ハイブリッド深層学習に基づくHAINEXと呼ばれる創発的な情報抽出モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-27T09:37:56Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。