論文の概要: Classification of hazard event via language fractal
- arxiv url: http://arxiv.org/abs/2209.05263v1
- Date: Mon, 12 Sep 2022 14:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 13:01:49.017587
- Title: Classification of hazard event via language fractal
- Title(参考訳): 言語フラクタルによる危険事象の分類
- Authors: Zhenhua Wang, Dong Gao, Bin Wang, Ming Ren
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.257460513878887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: HAZOP is a safety paradigm undertaken to reveal hazards in industry, its
report covers valuable hazard events (HaE). The research on HaE classification
has much irreplaceable pragmatic values. However, no study has paid such
attention to this topic. In this paper, we present a novel deep learning model
termed DLF to explore the HaE classification through fractal method from the
perspective of language. The motivation is that (1): HaE can be naturally
regarded as a kind of time series; (2): the meaning of HaE is driven by word
arrangement. Specifically, first we employ BERT to vectorize HaE. Then, we
propose a new multifractal method termed HmF-DFA to calculate HaE fractal
series by analyzing the HaE vector who is regarded as a time series. Finally,
we design a new hierarchical gating neural network (HGNN) to process the HaE
fractal series to accomplish the classification of HaE. We take 18 processes
for case study. We launch the experiment on the basis of their HAZOP reports.
Experimental results demonstrate that our DLF classifier is satisfactory and
promising, the proposed HmF-DFA and HGNN are effective, and the introduction of
language fractal into HaE is feasible. Our HaE classification system can serve
HAZOP and bring application incentives to experts, engineers, employees, and
other enterprises, which is conducive to the intelligent development of
industrial safety. We hope our research can contribute added support to the
daily practice in industrial safety and fractal theory.
- Abstract(参考訳): HAZOPは産業の危険を明らかにするための安全パラダイムであり、報告書は有害事象(HaE)をカバーしている。
HaE分類の研究は、置換不可能な実用値を持っている。
しかし、この話題にそれほど注意を払っていない。
本稿では,言語の観点からのフラクタル法によるHaE分類を探索するために,DLFと呼ばれる新しい深層学習モデルを提案する。
その動機は、(1)HaEは自然に時系列の一種とみなすことができ、(2)HaEの意味は単語配列によって駆動されるということである。
具体的には、まずBERTを使ってHaEをベクトル化する。
次に,HmF-DFAと呼ばれる新しいマルチフラクタル手法を提案し,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,新たな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フラクタル系列を処理し,haeの分類を行う。
ケーススタディには18のプロセスが必要です。
実験はHAZOPレポートに基づいて開始する。
実験の結果,dlf分類器は満足でき,有望であり,提案するhmf-dfaとhgnnは有効であり,haeへの言語フラクタルの導入は可能であった。
私たちのHaE分類システムは、HAZOPに役立ち、専門家、エンジニア、従業員、その他の企業にアプリケーションインセンティブをもたらします。
我々は,産業安全とフラクタル理論の日々の実践に,我々の研究が貢献できることを願っている。
関連論文リスト
- Emulated Disalignment: Safety Alignment for Large Language Models May
Backfire! [68.32720959294761]
推論時アタックフレームワークである Emulated Disalignment を導入する。
アウトプット空間において、トレーニング済みと安全に整合した2つのオープンソースの言語モデルを組み合わせることで、有害な言語モデルを生成する。
本研究は,オープンソース言語モデルの実践を再評価することの重要性を強調した。
論文 参考訳(メタデータ) (2024-02-19T18:16:51Z) - GPT-4 and Safety Case Generation: An Exploratory Analysis [2.3361634876233817]
本稿では,大言語モデル (LLM) と会話インタフェース (ChatGPT) を用いた安全事例の生成について検討する。
我々の第一の目的は、GPT-4の既存の知識基盤を掘り下げることであり、ゴール構造化表記法(GSN)の理解に焦点を当てることである。
我々は,GPT-4を用いた4つの実験を行い,システムとアプリケーション領域内の安全ケースを生成する能力を評価した。
論文 参考訳(メタデータ) (2023-12-09T22:28:48Z) - Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。
既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。
本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-07-31T10:22:33Z) - ELFIS: Expert Learning for Fine-grained Image Recognition Using Subsets [6.632855264705276]
ファイングラインド・ビジュアル・認識のためのエキスパート・ラーニング・フレームワークであるELFISを提案する。
ニューラルネットワークベースのエキスパートのセットは、メタカテゴリに焦点を当ててトレーニングされ、マルチタスクフレームワークに統合される。
実験では、CNNとトランスフォーマーベースのネットワークを使用して、最大+1.3%の精度でSoTA FGVRベンチマークが改善された。
論文 参考訳(メタデータ) (2023-03-16T12:45:19Z) - Global Knowledge Calibration for Fast Open-Vocabulary Segmentation [124.74256749281625]
本稿では,各学習カテゴリの同義語群を生成するテキスト多様化戦略を提案する。
また,CLIPの汎用的な知識を維持するために,テキスト誘導型知識蒸留法を用いている。
提案手法は, 各種データセットに対して頑健な一般化性能を実現する。
論文 参考訳(メタデータ) (2023-03-16T09:51:41Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - Holistically-Attracted Wireframe Parsing: From Supervised to
Self-Supervised Learning [112.54086514317021]
本稿では,線分とジャンクションを用いた幾何解析のためのホロスティック適応型ワイヤフレーム解析法を提案する。
提案したHAWPは、エンド・ツー・フォームの4Dラベルによって強化された3つのコンポーネントで構成されている。
論文 参考訳(メタデータ) (2022-10-24T06:39:32Z) - Yes, DLGM! A novel hierarchical model for hazard classification [6.257460513878887]
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。
論文 参考訳(メタデータ) (2022-09-10T02:45:59Z) - 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) - Multi-Task Learning with Sentiment, Emotion, and Target Detection to
Recognize Hate Speech and Offensive Language [9.827939106453286]
HOFと類似概念の関係を考慮し,HOF検出が利益をもたらすかどうかを検討する。
CrowdFlowerの感情コーパス、SemEval 2016 Sentiment Corpus、OffensEval 2019のターゲット検出データの組み合わせは、マルチヘッドマルチタスク学習モデルにおいてF1=.79となる。
論文 参考訳(メタデータ) (2021-09-21T15:32:26Z) - Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。
これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。
学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
論文 参考訳(メタデータ) (2020-01-18T06:23:18Z)
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。