論文の概要: Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network

• arxiv url: http://arxiv.org/abs/2307.09866v2
• Date: Tue, 1 Aug 2023 06:48:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 17:10:02.801211
• Title: Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network
• Title（参考訳）: 都市インフラ相互依存ネットワークにおける脆弱ノードの検出
• Authors: Jinzhu Mao, Liu Cao, Chen Gao, Huandong Wang, Hangyu Fan, Depeng Jin, Yong Li
• Abstract要約: 我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。 提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
• 参考スコア（独自算出の注目度）: 30.78792992230233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding and characterizing the vulnerability of urban infrastructures, which refers to the engineering facilities essential for the regular running of cities and that exist naturally in the form of networks, is of great value to us. Potential applications include protecting fragile facilities and designing robust topologies, etc. Due to the strong correlation between different topological characteristics and infrastructure vulnerability and their complicated evolution mechanisms, some heuristic and machine-assisted analysis fall short in addressing such a scenario. In this paper, we model the interdependent network as a heterogeneous graph and propose a system based on graph neural network with reinforcement learning, which can be trained on real-world data, to characterize the vulnerability of the city system accurately. The presented system leverages deep learning techniques to understand and analyze the heterogeneous graph, which enables us to capture the risk of cascade failure and discover vulnerable infrastructures of cities. Extensive experiments with various requests demonstrate not only the expressive power of our system but also transferring ability and necessity of the specific components.
• Abstract（参考訳）: 都市インフラの脆弱性の理解と特徴付けは、都市の定期走行に不可欠な技術施設であり、ネットワークの形で自然に存在することを指すものであり、私たちにとって大きな価値があります。 潜在的なアプリケーションには、脆弱な設備の保護や堅牢なトポロジの設計などが含まれる。 異なるトポロジー特性とインフラストラクチャーの脆弱性とそれらの複雑な進化メカニズムとの間に強い相関関係があるため、ヒューリスティック解析や機械支援解析はそのようなシナリオに対処するのに不足している。 本稿では,相互依存型ネットワークを異種グラフとしてモデル化し,都市システムの脆弱性を正確に評価するために,実世界のデータに基づいてトレーニング可能な強化学習付きグラフニューラルネットワークに基づくシステムを提案する。 本システムでは,異種グラフの理解と解析に深層学習手法を活用し,カスケード障害のリスクを把握し,都市の脆弱なインフラを発見する。 様々な要求による広範囲な実験は、システムの表現力だけでなく、特定のコンポーネントの能力や必要性も示しています。

関連論文リスト

• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Persistence-based operators in machine learning [62.997667081978825]
  永続性に基づくニューラルネットワークレイヤのクラスを導入します。 永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
  論文  参考訳（メタデータ） (2022-12-28T18:03:41Z)
• IIVA: A Simulation Based Generalized Framework for Interdependent Infrastructure Vulnerability Assessment [0.0]
  本稿では,新たなインフラストラクチャ脆弱性評価フレームワークを提案する。 コンポーネントの初期失敗率が高いほど、インフラストラクチャの脆弱性が大きくなることが観察された。
  論文  参考訳（メタデータ） (2022-12-13T20:37:03Z)
• A Bayesian Approach to Reconstructing Interdependent Infrastructure Networks from Cascading Failures [2.9364290037516496]
  ネットワーク相互依存を理解することは、カスケード障害を予測し、破壊を計画するために不可欠である。 個々のネットワークのトポロジに関するデータは、プライバシやセキュリティ上の懸念から、一般には利用できないことが多い。 本稿では,相互依存型インフラストラクチャネットワークのトポロジを再構築するスケーラブルな非パラメトリックベイズ手法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T17:45:41Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Machine learning dismantling and early-warning signals of disintegration in complex systems [0.0]
  比較的小さなシステムを分解する訓練された機械が高次位相パターンを識別可能であることを示す。 注目すべきは、マシンが次の攻撃でシステムが崩壊する確率を評価することだ。
  論文  参考訳（メタデータ） (2021-01-07T09:39:13Z)
• A game-theoretic analysis of networked system control for common-pool resource management using multi-agent reinforcement learning [54.55119659523629]
  マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。 共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
  論文  参考訳（メタデータ） (2020-10-15T14:12:26Z)
• Automated Search for Resource-Efficient Branched Multi-Task Networks [81.48051635183916]
  我々は,多タスクニューラルネットワークにおける分岐構造を自動的に定義する,微分可能なニューラルネットワーク探索に根ざした原理的アプローチを提案する。 本手法は,限られた資源予算内で高い性能の分岐構造を見いだすことができる。
  論文  参考訳（メタデータ） (2020-08-24T09:49:19Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)
• Detecting structural perturbations from time series with deep learning [0.0]
  本稿では,関数型時系列から構造摂動を推定するためのグラフニューラルネットワークを提案する。 データ駆動型アプローチは典型的な再構成手法より優れていることを示す。 この研究は、現実世界の複雑なシステムのレジリエンスを研究するための実践的な方法を明らかにする。
  論文  参考訳（メタデータ） (2020-06-09T13:08:40Z)

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。