Fugu-MT 論文翻訳(概要): Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction

論文の概要: Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction

arxiv url: http://arxiv.org/abs/2405.04336v1
Date: Tue, 7 May 2024 14:08:57 GMT
ステータス: 処理完了
システム内更新日: 2024-05-08 13:50:50.396600
Title: Temporal and Heterogeneous Graph Neural Network for Remaining Useful Life Prediction
Title（参考訳）: 生活予測のための時間的・不均一グラフニューラルネットワーク
Authors: Zhihao Wen, Yuan Fang, Pengcheng Wei, Fayao Liu, Zhenghua Chen, Min Wu,
Abstract要約: 我々はTHGNN(Temporal and Heterogeneous Graph Neural Networks)という新しいモデルを導入する。 THGNNは、隣接するノードからの履歴データを集約し、センサーデータのストリーム内の時間的ダイナミクスと空間的相関を正確にキャプチャする。包括的実験により,本手法の有効性を検証した。
参考スコア（独自算出の注目度）: 27.521188262343596
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting Remaining Useful Life (RUL) plays a crucial role in the prognostics and health management of industrial systems that involve a variety of interrelated sensors. Given a constant stream of time series sensory data from such systems, deep learning models have risen to prominence at identifying complex, nonlinear temporal dependencies in these data. In addition to the temporal dependencies of individual sensors, spatial dependencies emerge as important correlations among these sensors, which can be naturally modelled by a temporal graph that describes time-varying spatial relationships. However, the majority of existing studies have relied on capturing discrete snapshots of this temporal graph, a coarse-grained approach that leads to loss of temporal information. Moreover, given the variety of heterogeneous sensors, it becomes vital that such inherent heterogeneity is leveraged for RUL prediction in temporal sensor graphs. To capture the nuances of the temporal and spatial relationships and heterogeneous characteristics in an interconnected graph of sensors, we introduce a novel model named Temporal and Heterogeneous Graph Neural Networks (THGNN). Specifically, THGNN aggregates historical data from neighboring nodes to accurately capture the temporal dynamics and spatial correlations within the stream of sensor data in a fine-grained manner. Moreover, the model leverages Feature-wise Linear Modulation (FiLM) to address the diversity of sensor types, significantly improving the model's capacity to learn the heterogeneity in the data sources. Finally, we have validated the effectiveness of our approach through comprehensive experiments. Our empirical findings demonstrate significant advancements on the N-CMAPSS dataset, achieving improvements of up to 19.2% and 31.6% in terms of two different evaluation metrics over state-of-the-art methods.
Abstract（参考訳）: RUL(Predicting Remaining Useful Life)は、様々な相互関連センサーを含む産業システムの予後と健康管理において重要な役割を担っている。このようなシステムからの時系列センサデータの一定のストリームが与えられたとき、深層学習モデルはこれらのデータの複雑で非線形な時間的依存関係を特定することに成功している。個々のセンサの時間的依存に加えて、空間的依存はこれらのセンサの間に重要な相関関係として現れ、時間的空間的関係を記述する時間的グラフによって自然にモデル化することができる。しかし、既存の研究の大半は、時間情報の喪失につながる粗い粒度のアプローチである、この時間グラフの離散的なスナップショットの取得に頼っている。さらに, 異種センサの多様性を考えると, 時間センサグラフにおけるRUL予測にそのような固有な異種性を活用することが重要である。センサの相互結合グラフにおける時間的・空間的関係のニュアンスと異種特性を捉えるため,THGNN(Temporal and Heterogeneous Graph Neural Networks)と呼ばれる新しいモデルを導入する。具体的には、THGNNは近隣ノードの履歴データを収集し、センサデータのストリーム内の時間的ダイナミクスと空間的相関をきめ細かな方法で正確に捉える。さらに、センサタイプの多様性に対処するために、FiLM(Feature-wise Linear Modulation)を活用し、データソースの不均一性を学ぶためのモデルの能力を大幅に改善する。最後に,本手法の有効性を総合実験により検証した。実験の結果,N-CMAPSSデータセットに顕著な進歩が見られ,最先端手法に対する2つの評価基準の点で最大19.2%,31.6%の改善が達成された。

関連論文リスト

Graph Masked Autoencoder for Spatio-Temporal Graph Learning [38.085962443141206]
都市センシングの分野では,交通分析,人体移動評価,犯罪予測において,効果的な時間的予測の枠組みが重要な役割を担っている。空間的および時間的データにデータノイズと空間性が存在することは、ロバスト表現を学習する上で、既存のニューラルネットワークモデルにとって大きな課題となる。実効時間データ拡張のための新しい自己教師型学習パラダイムを提案する。
論文参考訳（メタデータ） (2024-10-14T07:33:33Z)
Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks [12.784885649573994]
時系列データによる因果発見は、スライス内(同時)とスライス間(時差)の両方の因果関係を捉えることを目的としている。我々は, textbfShort-textbfTerm textbfInvariance に着目した勾配に基づく因果探索手法 STIC を提案する。
論文参考訳（メタデータ） (2024-08-15T08:43:28Z)
Integrative Deep Learning Framework for Parkinson's Disease Early Detection using Gait Cycle Data Measured by Wearable Sensors: A CNN-GRU-GNN Approach [0.3222802562733786]
対象のバイナリ分類に適した,先駆的な深層学習アーキテクチャを提案する。我々のモデルは、1D畳み込みニューラルネットワーク(CNN)、GRU(Gated Recurrent Units)、GNN(Graph Neural Network)のパワーを利用する。提案モデルでは, 99.51%, 99.57%, 99.71%, 99.64%のスコアが得られた。
論文参考訳（メタデータ） (2024-04-09T15:19:13Z)
Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
論文参考訳（メタデータ） (2023-09-11T08:44:07Z)
Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
論文参考訳（メタデータ） (2023-09-11T02:35:22Z)
Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文参考訳（メタデータ） (2023-07-17T11:04:27Z)
Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文参考訳（メタデータ） (2022-10-28T16:59:51Z)
Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の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） (2022-10-14T02:54:34Z)
DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
論文参考訳（メタデータ） (2022-09-26T21:59:14Z)
An Adaptive Federated Relevance Framework for Spatial Temporal Graph Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文参考訳（メタデータ） (2022-06-07T16:12:17Z)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。