論文の概要: Dynamic Analysis Method for Hidden Dangers in Substation Based on
Knowledge Graph
- arxiv url: http://arxiv.org/abs/2311.13708v1
- Date: Wed, 22 Nov 2023 21:59:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 01:09:29.130440
- Title: Dynamic Analysis Method for Hidden Dangers in Substation Based on
Knowledge Graph
- Title(参考訳): 知識グラフに基づく変電所内隠れ危険の動的解析法
- Authors: Weiwei Li, Xing Liu, Wei Wang, Lu Chen, Sizhe Li, Hui Fan
- Abstract要約: 本稿では,非構造化テキストデータからサブステーション内の隠れた危険を特定し,理解することの課題に対処する。
この情報はElastic-Search上に構築された柔軟な分散データ検索エンジンを使って処理する。
Viterbiアルゴリズムは、隠れた状態シーケンスを解読するために統合され、隠れた危険に関連するエンティティのセグメンテーションとラベル付けを容易にする。
- 参考スコア(独自算出の注目度): 20.223308665020905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To address the challenge of identifying and understanding hidden dangers in
substations from unstructured text data, a novel dynamic analysis method is
proposed. This approach begins by analyzing and extracting data from the
unstructured text related to hidden dangers. It then leverages a flexible,
distributed data search engine built on Elastic-Search to handle this
information. Following this, the hidden Markov model is employed to train the
data within the engine. The Viterbi algorithm is integrated to decipher the
hidden state sequences, facilitating the segmentation and labeling of entities
related to hidden dangers. The final step involves using the Neo4j graph
database to dynamically create a knowledge map that visualizes hidden dangers
in the substation. This method's effectiveness is demonstrated through an
example analysis using data from a specific substation's hidden dangers.
- Abstract(参考訳): 非構造化テキストデータからサブステーションの隠れた危険を識別・理解する課題に対処するために,新しい動的解析手法を提案する。
このアプローチは、隠れた危険に関連する構造化されていないテキストからデータを分析して抽出することから始まる。
次にelastic-search上に構築された柔軟な分散データ検索エンジンを利用して情報を扱う。
その後、エンジン内のデータをトレーニングするために隠れマルコフモデルが使用される。
viterbiアルゴリズムは隠れた状態シーケンスを解読するために統合され、隠れた危険に関連するエンティティのセグメンテーションとラベル付けが容易になる。
最後のステップでは、neo4jグラフデータベースを使用して、変電所内の隠れた危険を可視化するナレッジマップを動的に作成する。
この手法の有効性は、特定の変電所の隠れた危険からのデータを用いてサンプル分析によって実証される。
関連論文リスト
- XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。
XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
論文 参考訳(メタデータ) (2024-08-27T01:14:34Z) - GADY: Unsupervised Anomaly Detection on Dynamic Graphs [18.1896489628884]
本稿では,従来の離散的手法の限界を突破する細粒度情報を取得するための連続的動的グラフモデルを提案する。
第2の課題として、負の相互作用を生成するためにジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)を開拓した。
提案したGADYは,3つの実世界のデータセットにおいて,従来の最先端手法よりも大幅に優れていた。
論文 参考訳(メタデータ) (2023-10-25T05:27:45Z) - GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。
システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
論文 参考訳(メタデータ) (2023-09-12T04:21:30Z) - CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。
本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。
セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文 参考訳(メタデータ) (2023-08-17T13:07:09Z) - A system for exploring big data: an iterative k-means searchlight for
outlier detection on open health data [0.4588028371034407]
本稿では,サーチライト手法を用いて複数の変数の組み合わせを探索し,外乱を識別するシステムを提案する。
ニューヨーク州が公開しているオープンヘルスデータを分析して,本システムについて解説する。
特定の病院での費用オーバーランや、自殺などの診断の増加など、データの異常な傾向が特定されている。
論文 参考訳(メタデータ) (2023-04-05T02:09:15Z) - Autoregressive Search Engines: Generating Substrings as Document
Identifiers [53.0729058170278]
自動回帰言語モデルは、回答を生成するデファクト標準として現れています。
これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。
本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
論文 参考訳(メタデータ) (2022-04-22T10:45:01Z) - Cross-Supervised Joint-Event-Extraction with Heterogeneous Information
Networks [61.950353376870154]
Joint-event- Extractは、トリガとエンティティのタグからなるタグセットを備えたシーケンスからシーケンスまでのラベリングタスクである。
トリガやエンティティの抽出を交互に監督するクロススーパーバイザードメカニズム(CSM)を提案する。
我々の手法は、エンティティとトリガー抽出の両方において最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-10-13T11:51:17Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T17:55:04Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳(メタデータ) (2020-05-15T09:17:08Z) - Hybrid Attention-Based Transformer Block Model for Distant Supervision
Relation Extraction [20.644215991166902]
DSREタスクを実行するために,マルチインスタンス学習を用いたハイブリッドアテンションベースのトランスフォーマーブロックを用いた新しいフレームワークを提案する。
提案手法は評価データセットの最先端アルゴリズムより優れている。
論文 参考訳(メタデータ) (2020-03-10T13:05:52Z)
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。