論文の概要: Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations

• arxiv url: http://arxiv.org/abs/2402.12598v1
• Date: Mon, 19 Feb 2024 23:22:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 17:46:43.528977
• Title: Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations
• Title（参考訳）: スパースおよび部分多変量観測によるグラフベース仮想センシング
• Authors: Giovanni De Felice, Andrea Cini, Daniele Zambon, Vladimir V. Gusev, Cesare Alippi
• Abstract要約: このような関係を利用してグラフに基づく新しい手法を導入し、GgNetというグラフ深層学習アーキテクチャを設計し、そのフレームワークを実装した。 提案手法は,変数間の依存関係や位置の学習に使用されるネストグラフ構造上の情報伝達に依存する。 GgNetは様々な仮想センシングシナリオで広く評価されており、最先端技術と比較して高い再現精度を示している。
• 参考スコア（独自算出の注目度）: 22.567497617912046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual sensing techniques allow for inferring signals at new unmonitored locations by exploiting spatio-temporal measurements coming from physical sensors at different locations. However, as the sensor coverage becomes sparse due to costs or other constraints, physical proximity cannot be used to support interpolation. In this paper, we overcome this challenge by leveraging dependencies between the target variable and a set of correlated variables (covariates) that can frequently be associated with each location of interest. From this viewpoint, covariates provide partial observability, and the problem consists of inferring values for unobserved channels by exploiting observations at other locations to learn how such variables can correlate. We introduce a novel graph-based methodology to exploit such relationships and design a graph deep learning architecture, named GgNet, implementing the framework. The proposed approach relies on propagating information over a nested graph structure that is used to learn dependencies between variables as well as locations. GgNet is extensively evaluated under different virtual sensing scenarios, demonstrating higher reconstruction accuracy compared to the state-of-the-art.
• Abstract（参考訳）: 仮想センシング技術は、異なる場所の物理的センサーからの時空間的測定を活用し、新しい監視されていない場所での信号の推測を可能にする。 しかし、コストその他の制約によりセンサーのカバレッジが狭くなるため、補間を支援するために物理的な近接は利用できない。 本稿では,対象変数と関連変数の集合(共変量)の依存関係を利用して,興味のある場所ごとに頻繁に関連付けることで,この課題を克服する。 この観点から、共変項は部分的可観測性を提供し、問題は、他の場所での観測を活用して、観測されていないチャネルの値を推測することで、そのような変数がどう相関するかを学ぶことである。 本稿では,このような関係を活用し,ggnetと呼ばれるグラフディープラーニングアーキテクチャを設計するための新しいグラフベース手法を提案する。 提案手法は,変数間の依存関係や位置の学習に使用されるネストグラフ構造上の情報伝達に依存する。 GgNetは様々な仮想センシングシナリオで広く評価されており、最先端技術と比較して高い再現精度を示している。

関連論文リスト

• A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection [1.0436203990235575]
  本稿では,分布変化のモニタリングと検出のための連続学習フレームワークを提案する。 特に,2つのトポロジ保存マップ(自己組織化マップ)とスケール不変マップ(スケール不変マップ)の投影について検討する。 本手法は教師なしコンテキストと教師なしコンテキストの両方に適用できる。
  論文  参考訳（メタデータ） (2024-04-25T14:48:29Z)
• 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)
• INCREASE: Inductive Graph Representation Learning for Spatio-Temporal Kriging [35.193756288996944]
  SRU-temporal kriging は Web や Internet of Things のような Web やソーシャルアプリケーションにおいて重要な問題である。 クリグのための新しい帰納的グラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-06T12:28:35Z)
• HFN: Heterogeneous Feature Network for Multivariate Time Series Anomaly Detection [2.253268952202213]
  MTSのためのヘテロジニアス特徴ネットワーク(HFN)に基づく,新しい半教師付き異常検出フレームワークを提案する。 まず、センサ埋め込みによって生成された埋め込み類似性グラフと、センサ値によって生成された特徴値類似性グラフを組み合わせて、時系列不均一グラフを構築する。 このアプローチは、ヘテロジニアスグラフ構造学習(HGSL)と表現学習の最先端技術を融合させる。
  論文  参考訳（メタデータ） (2022-11-01T05:01:34Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• Robust Change Detection Based on Neural Descriptor Fields [53.111397800478294]
  我々は、部分的に重なり合う観測結果とノイズのある局所化結果に頑健なオブジェクトレベルのオンライン変化検出手法を開発した。 形状符号の類似性を利用して物体を連想させ, 局所的な物体近傍の空間配置を比較することにより, 観測重複や局所雑音に対する頑健性を示す。
  論文  参考訳（メタデータ） (2022-08-01T17:45:36Z)
• Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
  LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。 本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
  論文  参考訳（メタデータ） (2022-03-11T01:12:00Z)
• Gromov-Wasserstein Discrepancy with Local Differential Privacy for Distributed Structural Graphs [7.4398547397969494]
  本稿では,グラフニューラルネットワークから学習したノード埋め込みのGW差分を分析するためのプライバシー保護フレームワークを提案する。 我々の実験は,$varilon$-LDPアルゴリズムによって保証される強力なプライバシー保護により,提案フレームワークがグラフ学習におけるプライバシを保存するだけでなく,GW距離下でのノイズ構造指標も提示することを示した。
  論文  参考訳（メタデータ） (2022-02-01T23:32:33Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-01T19:24:27Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。