論文の概要: Uncertainty-aware deep learning for digital twin-driven monitoring:
Application to fault detection in power lines
- arxiv url: http://arxiv.org/abs/2303.10954v1
- Date: Mon, 20 Mar 2023 09:27:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 16:12:56.694697
- Title: Uncertainty-aware deep learning for digital twin-driven monitoring:
Application to fault detection in power lines
- Title（参考訳）: ディジタルツイン駆動監視のための不確実性認識深層学習:電力線故障検出への応用
- Authors: Laya Das, Blazhe Gjorgiev, Giovanni Sansavini
- Abstract要約: ディープニューラルネットワーク(DNN)はしばしば物理ベースのモデルやデータ駆動サロゲートモデルと結合され、低データ状態のシステムの障害検出と健康モニタリングを行う。
これらのモデルは、生成されたデータに伝播するパラメトリック不確実性を示すことができる。
本稿では,これら2つの不確実性源がDNNの性能に与える影響を定量化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks (DNNs) are often coupled with physics-based models or
data-driven surrogate models to perform fault detection and health monitoring
of systems in the low data regime. These models serve as digital twins to
generate large quantities of data to train DNNs which would otherwise be
difficult to obtain from the real-life system. However, such models can exhibit
parametric uncertainty that propagates to the generated data. In addition, DNNs
exhibit uncertainty in the parameters learnt during training. In such a
scenario, the performance of the DNN model will be influenced by the
uncertainty in the physics-based model as well as the parameters of the DNN. In
this article, we quantify the impact of both these sources of uncertainty on
the performance of the DNN. We perform explicit propagation of uncertainty in
input data through all layers of the DNN, as well as implicit prediction of
output uncertainty to capture the former. Furthermore, we adopt Monte Carlo
dropout to capture uncertainty in DNN parameters. We demonstrate the approach
for fault detection of power lines with a physics-based model, two types of
input data and three different neural network architectures. We compare the
performance of such uncertainty-aware probabilistic models with their
deterministic counterparts. The results show that the probabilistic models
provide important information regarding the confidence of predictions, while
also delivering an improvement in performance over deterministic models.
- Abstract（参考訳）: ディープニューラルネットワーク(DNN)はしばしば物理ベースのモデルやデータ駆動サロゲートモデルと結合され、低データ状態のシステムの障害検出と健康モニタリングを行う。
これらのモデルはデジタルツインとして機能し、DNNを訓練するために大量のデータを生成する。
しかし、そのようなモデルは生成されたデータに伝播するパラメトリック不確実性を示すことができる。
さらに、DNNはトレーニング中に学習したパラメータに不確実性を示す。
このようなシナリオでは、DNNモデルの性能は、物理モデルにおける不確実性やDNNのパラメータの影響を受けます。
本稿では,これら2つの不確実性源がDNNの性能に与える影響を定量化する。
我々はDNNの全層を通して入力データ中の不確実性の明示的伝播を行うとともに、前者を捕捉するために出力不確実性の暗黙的な予測を行う。
さらに,DNNパラメータの不確実性を捉えるためにモンテカルロのドロップアウトを採用する。
本稿では,物理モデルと2種類の入力データ,3種類のニューラルネットワークアーキテクチャを用いた電力線故障検出手法を提案する。
このような不確実性を考慮した確率モデルの性能を決定論的モデルと比較する。
その結果,確率モデルが予測の信頼度に関する重要な情報を提供すると同時に,決定論的モデルよりも性能の向上をもたらすことが示された。
関連論文リスト
- Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。
しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。
本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文 参考訳（メタデータ） (2024-03-11T21:54:52Z) - Correcting model misspecification in physics-informed neural networks
(PINNs) [2.07180164747172]
本稿では,制御方程式の発見のために,PINNにおいて不特定な物理モデルを修正するための一般的な手法を提案する。
我々は、不完全モデルと観測データとの差をモデル化するために、他のディープニューラルネットワーク(DNN)を使用します。
提案手法は, 物理化学的, 生物学的プロセスがよく理解されていない問題における支配方程式の発見に, PINNの応用を拡大すると考えられる。
論文 参考訳（メタデータ） (2023-10-16T19:25:52Z) - Evaluation of machine learning architectures on the quantification of
epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。
ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。
検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
論文 参考訳（メタデータ） (2023-06-27T02:35:25Z) - PINN Training using Biobjective Optimization: The Trade-off between Data
Loss and Residual Loss [0.0]
物理情報ニューラルネットワーク(PINN)は、測定データが利用可能な問題を表現するための効率的なツールであることが証明されている。
本稿では、データ損失と残留損失を2つの個別目的関数として扱うことにより、PINNのトレーニングにおける多目的視点を提案する。
論文 参考訳（メタデータ） (2023-02-03T15:27:50Z) - A critical look at deep neural network for dynamic system modeling [0.0]
本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。
線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。
LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
論文 参考訳（メタデータ） (2023-01-27T09:03:05Z) - Fault-Aware Design and Training to Enhance DNNs Reliability with
Zero-Overhead [67.87678914831477]
ディープニューラルネットワーク(DNN)は、幅広い技術的進歩を可能にする。
最近の知見は、過渡的なハードウェア欠陥がモデル予測を劇的に損なう可能性があることを示唆している。
本研究では,トレーニングとモデル設計の両面で信頼性の問題に取り組むことを提案する。
論文 参考訳（メタデータ） (2022-05-28T13:09:30Z) - On the Prediction Instability of Graph Neural Networks [2.3605348648054463]
トレーニングされたモデルの不安定性は、マシンラーニングシステムの信頼性、信頼性、信頼性に影響を与える可能性がある。
最新のグラフニューラルネットワーク(GNN)によるノード分類の不安定性の予測を系統的に評価する。
不正に分類されたノードの最大3分の1は、アルゴリズムの実行によって異なることがわかった。
論文 参考訳（メタデータ） (2022-05-20T10:32:59Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - On the benefits of robust models in modulation recognition [53.391095789289736]
畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。
画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。
最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-27T19:58:06Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Stochastic Graph Neural Networks [123.39024384275054]
グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。
現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。
これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
論文 参考訳（メタデータ） (2020-06-04T08:00:00Z)
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。