論文の概要: Robustness of Physics-Informed Neural Networks to Noise in Sensor Data
- arxiv url: http://arxiv.org/abs/2211.12042v1
- Date: Tue, 22 Nov 2022 06:24:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:23:44.989485
- Title: Robustness of Physics-Informed Neural Networks to Noise in Sensor Data
- Title（参考訳）: センサデータのノイズに対する物理インフォームニューラルネットワークのロバスト性
- Authors: Jian Cheng Wong, Pao-Hsiung Chiu, Chin Chun Ooi, My Ha Da
- Abstract要約: PINNは、物理に基づくドメイン知識をニューラルネットワークモデルに組み込む効果的な方法であることが示されている。
本研究では、物理インフォームドニューラルネットワークのロバスト性について、データのノイズの大きさについて予備的な調査を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Physics-Informed Neural Networks (PINNs) have been shown to be an effective
way of incorporating physics-based domain knowledge into neural network models
for many important real-world systems. They have been particularly effective as
a means of inferring system information based on data, even in cases where data
is scarce. Most of the current work however assumes the availability of
high-quality data. In this work, we further conduct a preliminary investigation
of the robustness of physics-informed neural networks to the magnitude of noise
in the data. Interestingly, our experiments reveal that the inclusion of
physics in the neural network is sufficient to negate the impact of noise in
data originating from hypothetical low quality sensors with high
signal-to-noise ratios of up to 1. The resultant predictions for this test case
are seen to still match the predictive value obtained for equivalent data
obtained from high-quality sensors with potentially 10x less noise. This
further implies the utility of physics-informed neural network modeling for
making sense of data from sensor networks in the future, especially with the
advent of Industry 4.0 and the increasing trend towards ubiquitous deployment
of low-cost sensors which are typically noisier.
- Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、物理に基づくドメイン知識を多くの重要な現実世界システムのためのニューラルネットワークモデルに組み込む効果的な方法であることが示されている。
データが少ない場合でも、データに基づいてシステム情報を推測する手段として特に有効である。
しかし、現在の作業のほとんどは、高品質なデータの提供を前提としている。
本研究では,物理に変形したニューラルネットワークのロバスト性について,データ中の雑音の大きさまで予備的な検討を行う。
興味深いことに、ニューラルネットワークに物理学を組み込むことで、信号対雑音比が最大1.5%の仮説的低品質センサから得られるデータにノイズの影響を否定できることがわかった。
このテストケースの予測結果は、ノイズが10倍少ない高品質のセンサから得られた等価データに対して得られる予測値とまだ一致している。
このことは、特にIndustrial 4.0の出現と、一般的にノイズの多い低コストのセンサーのユビキタスな展開への傾向により、将来センサーネットワークからデータを理解するための物理情報ニューラルネットワークモデリングの有用性をさらに示唆している。
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) - Low-Power Vibration-Based Predictive Maintenance for Industry 4.0 using Neural Networks: A Survey [33.08038317407649]
本稿では,予測保守のための振動センサデータの低消費電力オンデバイス計算のためのニューラルネットワークの可能性について検討する。
予測メンテナンスタスクでニューラルネットワークを評価するのに十分な標準ベンチマークデータセットは存在しない。
我々は、低消費電力の予測保守アプリケーションのためのニューラルネットワークのハードウェア実装に関する将来の研究の必要性を強調した。
論文 参考訳（メタデータ） (2024-08-01T12:46:37Z) - Physics-Enhanced Graph Neural Networks For Soft Sensing in Industrial Internet of Things [6.374763930914524]
産業用IoT(Industrial Internet of Things)は、製造業、産業プロセス、インフラ管理を変革している。
高度に信頼性の高いIIoTを実現するには、大量のセンサーをインストールするコスト、既存のシステムにセンサーを組み直す際の制限、センサーの設置を非現実的にする厳しい環境条件などの要因が伴う。
物理の原理をグラフベースの方法論に統合する物理強化グラフニューラルネットワーク(GNN)を提案する。
論文 参考訳（メタデータ） (2024-04-11T18:03:59Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - 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) - Bayesian Physics-Informed Neural Networks for real-world nonlinear
dynamical systems [0.0]
ニューラルネットワーク、物理情報モデリング、ベイズ推論を組み合わせることで、データ、物理、不確実性を統合します。
本研究は,ニューラルネットワーク,ベイジアン推論,および両者の組み合わせの固有の長所と短所を明らかにする。
我々は、基礎となる概念や傾向が、より複雑な疾患の状況に一般化されることを期待する。
論文 参考訳（メタデータ） (2022-05-12T19:04:31Z) - 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) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - Information contraction in noisy binary neural networks and its
implications [11.742803725197506]
我々は、各ニューロンが不正な出力を発生させる確率がゼロでない、ノイズの多いバイナリニューラルネットワークを考察する。
私たちの重要な発見は、ノイズの多いニューラルネットワークで必要なニューロンの数が少ないことです。
本稿では,情報理論のレンズを通して,ノイズの多い情報処理システムに対する新たな理解を提供する。
論文 参考訳（メタデータ） (2021-01-28T00:01:45Z)
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。