論文の概要: Graph Structural Residuals: A Learning Approach to Diagnosis
- arxiv url: http://arxiv.org/abs/2308.06961v2
- Date: Fri, 1 Sep 2023 14:09:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 16:09:53.238509
- Title: Graph Structural Residuals: A Learning Approach to Diagnosis
- Title（参考訳）: グラフ構造残基:診断への学習的アプローチ
- Authors: Jan Lukas Augustin and Oliver Niggemann
- Abstract要約: 本稿では,モデルに基づく診断の概念と深層グラフ構造学習を組み合わせた新しいフレームワークを提案する。
本研究は,グラフ構造学習とモデルに基づく診断のシームレスな統合を支援する。
- 参考スコア（独自算出の注目度）: 2.838172504690372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional model-based diagnosis relies on constructing explicit system
models, a process that can be laborious and expertise-demanding. In this paper,
we propose a novel framework that combines concepts of model-based diagnosis
with deep graph structure learning. This data-driven approach leverages data to
learn the system's underlying structure and provide dynamic observations,
represented by two distinct graph adjacency matrices. Our work facilitates a
seamless integration of graph structure learning with model-based diagnosis by
making three main contributions: (i) redefining the constructs of system
representation, observations, and faults (ii) introducing two distinct versions
of a self-supervised graph structure learning model architecture and (iii)
demonstrating the potential of our data-driven diagnostic method through
experiments on a system of coupled oscillators.
- Abstract（参考訳）: 従来のモデルベースの診断は、明示的なシステムモデルの構築に依存している。
本稿では,モデルに基づく診断の概念と深層グラフ構造学習を組み合わせた新しいフレームワークを提案する。
このデータ駆動アプローチは、データを活用してシステムの基盤構造を学習し、2つの異なるグラフ隣接行列で表される動的な観察を提供する。
私たちの研究は3つの大きな貢献によって、グラフ構造学習とモデルベース診断のシームレスな統合を促進します。
(i)システム表現・観測・故障の構成を再定義すること
(ii)自己教師付きグラフ構造学習モデルアーキテクチャの2つの異なるバージョンの導入と導入
3) 結合振動子系の実験により, データ駆動型診断法の可能性を実証した。
関連論文リスト
- Graph Attention Inference of Network Topology in Multi-Agent Systems [0.0]
本研究は,マルチエージェントシステムの将来の状態を予測するためのアテンションメカニズムを活用する,機械学習に基づく新しいソリューションを提案する。
次に、注目値の強さからグラフ構造を推定する。
提案したデータ駆動型グラフアテンション機械学習モデルにより,マルチエージェントシステムにおけるネットワークトポロジを同定できることを示す。
論文 参考訳（メタデータ） (2024-08-27T23:58:51Z) - A Methodological Report on Anomaly Detection on Dynamic Knowledge Graphs [0.0]
動的知識グラフの異常検出に対するさまざまなアプローチを、特にアプリケーションのためのマイクロサービス環境で検討する。
ISWC 2024 Dynamic Knowledge Graph Anomaly Detection データセットのベースラインを著しく上回っている。
論文 参考訳（メタデータ） (2024-08-12T13:03:34Z) - From Structured to Unstructured:A Comparative Analysis of Computer Vision and Graph Models in solving Mesh-based PDEs [1.49199020343864]
本稿では,メッシュに基づく偏微分方程式の解法におけるコンピュータビジョンとグラフベースモデルの適用について検討する。
この研究は、3つのコンピュータビジョンベースモデルの性能と計算効率を、3つのデータセットにわたる3つのグラフベースモデルと比較した。
論文 参考訳（メタデータ） (2024-05-31T12:21:26Z) - Unsupervised Graph Neural Architecture Search with Disentangled
Self-supervision [51.88848982611515]
教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。
本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。
我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2024-03-08T05:23:55Z) - Graph Structure Inference with BAM: Introducing the Bilinear Attention
Mechanism [31.99564199048314]
本稿では,教師付きグラフ構造学習のためのニューラルネットワークモデルを提案する。
モデルは可変形状および結合された入力データで訓練される。
本手法は, 線形および多種多様な非線形依存関係に対して, 堅牢な一般化性を示す。
論文 参考訳（メタデータ） (2024-02-12T15:48:58Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z)
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。