論文の概要: Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data
- arxiv url: http://arxiv.org/abs/2210.11164v1
- Date: Thu, 20 Oct 2022 11:03:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 13:47:36.150933
- Title: Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data
- Title（参考訳）: 多変量センサデータを用いた異常診断のためのトレーニング可能な隣接行列付きグラフニューラルネットワーク
- Authors: Alexander Kovalenko, Vitaliy Pozdnyakov, Ilya Makarov
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 69.25738064847175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Timely detected anomalies in the chemical technological processes, as well as
the earliest detection of the cause of the fault, significantly reduce the
production cost in the industrial factories. Data on the state of the
technological process and the operation of production equipment are received by
a large number of different sensors. To better predict the behavior of the
process and equipment, it is necessary not only to consider the behavior of the
signals in each sensor separately, but also to take into account their
correlation and hidden relationships with each other. Graph-based data
representation helps with this. The graph nodes can be represented as data from
the different sensors, and the edges can display the influence of these data on
each other. In this work, the possibility of applying graph neural networks to
the problem of fault diagnosis in a chemical process is studied. It was
proposed to construct a graph during the training of graph neural network. This
allows to train models on data where the dependencies between the sensors are
not known in advance. In this work, several methods for obtaining adjacency
matrices were considered, as well as their quality was studied. It has also
been proposed to use multiple adjacency matrices in one model. We showed
state-of-the-art performance on the fault diagnosis task with the Tennessee
Eastman Process dataset. The proposed graph neural networks outperformed the
results of recurrent neural networks.
- Abstract（参考訳）: 化学技術プロセスにおけるタイムリーに検出された異常や、事故の原因の早期発見は、工場の生産コストを大幅に削減した。
技術プロセスの状況と製造設備の運用に関するデータは、多数の異なるセンサによって受信される。
プロセスと機器の挙動をより正確に予測するためには、各センサの信号の挙動を別々に考慮するだけでなく、相互の関係や隠れた関係を考慮に入れる必要がある。
グラフベースのデータ表現は、これに役立つ。
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。
本研究では, 化学プロセスにおける故障診断問題にグラフニューラルネットワークを適用する可能性について検討した。
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ために提案された。
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。
本研究では,隣接行列を得るためのいくつかの方法について検討し,その品質について検討した。
また、複数の隣接行列を1つのモデルで使うことも提案されている。
テネシー・イーストマン・プロセス・データセットを用いて,故障診断タスクにおける最新性能を示した。
提案するグラフニューラルネットワークは,リカレントニューラルネットワークの結果を上回った。
関連論文リスト
- Data-Driven Fire Modeling: Learning First Arrival Times and Model Parameters with Neural Networks [12.416949154231714]
火災科学における力学をパラメータ化するニューラルネットワークの能力について検討する。
特に,火災時の5つの重要なパラメータを最初の到着時刻までマッピングするニューラルネットワークについて検討する。
逆問題に対して、各キーパラメータを推定する際のネットワークの感度を定量化する。
論文 参考訳（メタデータ） (2024-08-16T19:54:41Z) - Data Augmentation for Supervised Graph Outlier Detection with Latent Diffusion Models [39.33024157496401]
本稿では,遅延拡散モデルを用いた教師付きグラフ外乱検出において,クラス不均衡を緩和する新しいデータ拡張であるGODMを紹介する。
提案手法は,(1)Variantioanlがグラフデータ内に存在する異種情報を統一潜在空間にマッピングし,(2)グラフ生成器が潜在空間から実際の外れ値に統計的に類似したグラフデータを合成し,(3)潜時拡散モデルが反復分解により実際の有機データの潜時空間分布を学習する,という3つの重要な要素から構成される。
論文 参考訳（メタデータ） (2023-12-29T16:50:40Z) - Geometric Graph Filters and Neural Networks: Limit Properties and
Discriminability Trade-offs [122.06927400759021]
本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。
これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
論文 参考訳（メタデータ） (2023-05-29T08:27:17Z) - Causal Discovery and Knowledge Injection for Contestable Neural Networks
(with Appendices) [10.616061367794385]
本稿では,ニューラルネットワークを利用したマシンが学習因果グラフの基盤を公開できる双方向インタラクションを提案する。
提案手法は,入力層で最大7倍小さい擬似ネットワークを生成中の予測性能を2.4倍に向上することを示す。
論文 参考訳（メタデータ） (2022-05-19T18:21:12Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
グラフニューラルネットワークを用いた新しい故障検出手法を提案する。
AIと現実世界のメカニカルシステムの間に橋を架けている。
提案手法は, 通常の対象領域に混在する異常物体を検出する。
論文 参考訳（メタデータ） (2022-04-24T08:54:55Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A complex network approach to time series analysis with application in
diagnosis of neuromuscular disorders [1.9659095632676098]
本稿では,既存手法の限られた精度を克服するために,GraphTSというネットワーク開発手法を提案する。
この目的のために、EMG信号は前処理され、標準的な可視グラフアルゴリズムによって複雑なネットワークにマッピングされる。
結果として得られるネットワークは、健康なサンプルと患者のサンプルを区別することができる。
論文 参考訳（メタデータ） (2021-08-16T06:44:48Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳（メタデータ） (2021-03-27T04:47:59Z)
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。