論文の概要: System Network Analytics: Evolution and Stable Rules of a State Series
- arxiv url: http://arxiv.org/abs/2210.15965v1
- Date: Fri, 28 Oct 2022 07:55:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 16:51:58.020234
- Title: System Network Analytics: Evolution and Stable Rules of a State Series
- Title（参考訳）: システムネットワーク分析: 状態系列の進化と安定ルール
- Authors: Animesh Chaturvedi, Aruna Tiwari, Nicolas Spyratos
- Abstract要約: 複数の状態に存在する興味深い進化規則の安定性特性を示す。
システム状態系列におけるエンティティ接続の安定性と持続性を定量化した。
- 参考スコア（独自算出の注目度）: 0.34376560669160383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: System Evolution Analytics on a system that evolves is a challenge because it
makes a State Series SS = {S1, S2... SN} (i.e., a set of states ordered by
time) with several inter-connected entities changing over time. We present
stability characteristics of interesting evolution rules occurring in multiple
states. We defined an evolution rule with its stability as the fraction of
states in which the rule is interesting. Extensively, we defined stable rule as
the evolution rule having stability that exceeds a given threshold minimum
stability (minStab). We also defined persistence metric, a quantitative measure
of persistent entity-connections. We explain this with an approach and
algorithm for System Network Analytics (SysNet-Analytics), which uses minStab
to retrieve Network Evolution Rules (NERs) and Stable NERs (SNERs). The
retrieved information is used to calculate a proposed System Network
Persistence (SNP) metric. This work is automated as a SysNet-Analytics Tool to
demonstrate application on real world systems including: software system,
natural-language system, retail market system, and IMDb system. We quantified
stability and persistence of entity-connections in a system state series. This
results in evolution information, which helps in system evolution analytics
based on knowledge discovery and data mining.
- Abstract（参考訳）: 進化するシステムのシステム進化分析は、状態系列 SS = {S1, S2.} となるため、課題である。
.
sn}(すなわち時間順に順序付けられた状態の集合)と複数の相互接続されたエンティティが時間とともに変化する。
複数の状態に存在する興味深い進化規則の安定性特性を示す。
我々は、その安定性を規則が興味深い状態のごく一部として、進化規則を定義した。
広く、安定規則を与えられたしきい値最小安定性(minstab)を超える安定性を持つ進化則と定義した。
永続的エンティティ接続の定量的尺度である永続的メトリックも定義しました。
我々は、minStabを用いてネットワーク進化規則(NER)と安定NER(SNER)を検索するシステムネットワーク分析(SysNet-Analytics)のアプローチとアルゴリズムでこれを説明する。
検索した情報は、提案したSNP(System Network Persistence)メトリックを計算するために使用される。
この作業は、SysNet-Analytics Toolとして自動化され、ソフトウェアシステム、自然言語システム、小売市場システム、IMDbシステムなどの実世界のシステムに適用される。
システム状態系列におけるエンティティ接続の安定性と持続性を定量化した。
これにより、知識発見とデータマイニングに基づくシステム進化分析を支援する進化情報が得られる。
関連論文リスト
- Physics-informed Discovery of State Variables in Second-Order and Hamiltonian Systems [1.7406327893433848]
本研究では, 2階ハミルトニアン系の物理特性を利用してベースラインモデルを制約する手法を提案する。
提案モデルでは,非冗長かつ解釈可能な状態変数の最小セットを特定することにより,ベースラインモデルよりも優れる。
論文 参考訳（メタデータ） (2024-08-21T15:10:50Z) - Learning Stable Deep Dynamics Models for Partially Observed or Delayed
Dynamical Systems [38.17499046781131]
安全クリティカルシステムにとって、学習されたモデルはある種の平衡点に収束することが保証されることが不可欠である。
神経リプノフ関数で正規化されたニューラルODEは、状態が完全に観察されたときに有望なアプローチである。
学習モデルの安定性を確保する方法を示し、理論的に我々のアプローチを分析する。
論文 参考訳（メタデータ） (2021-10-27T09:21:59Z) - Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。
GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。
本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-07T15:54:42Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - Lorenz System State Stability Identification using Neural Networks [0.2148535041822524]
ニューラルネットワークをトレーニングして,ロレンツシステムのシステム状態を安定かつ不安定に分類する。
次に、ニューラルネットワークモデルを用いて、異なる初期条件を用いて生成された異なるローレンツ系の安定状態と不安定状態を特定する能力をテストする。
論文 参考訳（メタデータ） (2021-06-16T00:03:47Z) - SyReNets: Symbolic Residual Neural Networks [9.713727879151012]
我々はSyReNetsを提案する。SyReNetsは、ニューラルネットワークを利用してシンボリックリレーションを学習し、データから動的物理システムを正確に記述する手法である。
入力としての位置,速度,加速度のランダムなサンプルのみを観測し,トルクを出力とする。
この手法は、シミュレーション制御された二重振り子を用いて評価され、ニューラルネットワーク、遺伝的プログラミング、従来のシステム識別と比較される。
論文 参考訳（メタデータ） (2021-05-30T00:30:27Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Stability and Identification of Random Asynchronous Linear
Time-Invariant Systems [81.02274958043883]
線形力学系の安定性に対するランダム化と非同期化の付加的な利点を示す。
未知のランダム化LTIシステムに対して,基礎となる力学を復元するための系統的同定手法を提案する。
論文 参考訳（メタデータ） (2020-12-08T02:00:04Z) - Formal Verification of Robustness and Resilience of Learning-Enabled State Estimation Systems [20.491263196235376]
我々は,ロボット工学の分野で広く利用されている学習可能な状態推定システム(LE-SESs)に注目した。
LE-SESを形式的検証の観点から検討し,システムモデルの満足度を決定する。
論文 参考訳（メタデータ） (2020-10-16T11:06:50Z) - Superiority of Simplicity: A Lightweight Model for Network Device
Workload Prediction [58.98112070128482]
本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。
ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。
利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
論文 参考訳（メタデータ） (2020-07-07T15:44:16Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
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。