論文の概要: ModeConv: A Novel Convolution for Distinguishing Anomalous and Normal Structural Behavior
- arxiv url: http://arxiv.org/abs/2407.00140v1
- Date: Fri, 28 Jun 2024 14:46:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 06:10:29.085959
- Title: ModeConv: A Novel Convolution for Distinguishing Anomalous and Normal Structural Behavior
- Title（参考訳）: ModeConv: 異常の解消と正常な構造行動のための新しい畳み込み
- Authors: Melanie Schaller, Daniel Schlör, Andreas Hotho,
- Abstract要約: 固有モードは、期待状態からの構造力学と偏差に関する洞察を与える。
固有モードの変化を自動的にキャプチャして解析するModeConvを提案する。
ModeConvは計算効率の向上を示し、結果としてモデル計算のランタイムが削減される。
- 参考スコア（独自算出の注目度）: 2.6236811900685706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: External influences such as traffic and environmental factors induce vibrations in structures, leading to material degradation over time. These vibrations result in cracks due to the material's lack of plasticity compromising structural integrity. Detecting such damage requires the installation of vibration sensors to capture the internal dynamics. However, distinguishing relevant eigenmodes from external noise necessitates the use of Deep Learning models. The detection of changes in eigenmodes can be used to anticipate these shifts in material properties and to discern between normal and anomalous structural behavior. Eigenmodes, representing characteristic vibration patterns, provide insights into structural dynamics and deviations from expected states. Thus, we propose ModeConv to automatically capture and analyze changes in eigenmodes, facilitating effective anomaly detection in structures and material properties. In the conducted experiments, ModeConv demonstrates computational efficiency improvements, resulting in reduced runtime for model calculations. The novel ModeConv neural network layer is tailored for temporal graph neural networks, in which every node represents one sensor. ModeConv employs a singular value decomposition based convolutional filter design for complex numbers and leverages modal transformation in lieu of Fourier or Laplace transformations in spectral graph convolutions. We include a mathematical complexity analysis illustrating the runtime reduction.
- Abstract（参考訳）: 交通や環境要因などの外部の影響は構造物の振動を誘発し、時間の経過とともに材料劣化を引き起こす。
これらの振動は、材料の塑性の欠如によってひび割れが生じ、構造的整合性が損なわれる。
このような損傷を検知するには、内部の力学を捉えるための振動センサーを設置する必要がある。
しかし、関連する固有モードと外部ノイズを区別するには、ディープラーニングモデルを使用する必要がある。
固有モードの変化の検出は、これらの物質特性の変化を予測し、正常な構造的挙動と異常な構造的挙動を区別するために用いられる。
固有モード(固有振動パターン)は、構造力学と期待状態からの偏差に関する洞察を与える。
そこで本研究では,固有モードの変化を自動的に捕捉・解析するModeConvを提案し,構造や材料特性の効果的な異常検出を容易にする。
実験では、ModeConvが計算効率の向上を示し、結果としてモデル計算のランタイムが減少する。
新たなModeConvニューラルネットワーク層は、各ノードが1つのセンサーを表す時間グラフニューラルネットワーク用に調整されている。
ModeConvは複素数に対して特異値分解に基づく畳み込みフィルタ設計を採用し、スペクトルグラフ畳み込みにおけるフーリエ変換やラプラス変換の代わりにモード変換を利用する。
実行時間の削減を図った数学的複雑性解析も含んでいる。
関連論文リスト
- Towards Evaluating the Robustness of Visual State Space Models [63.14954591606638]
視覚状態空間モデル(VSSM)は視覚知覚タスクにおいて顕著な性能を示した。
しかし、自然と敵対的な摂動の下での頑丈さは依然として重要な懸念事項である。
様々な摂動シナリオ下でのVSSMの頑健さを総合的に評価する。
論文 参考訳（メタデータ） (2024-06-13T17:59:44Z) - On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。
アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
論文 参考訳（メタデータ） (2023-12-13T02:11:07Z) - Dynamic Tensor Decomposition via Neural Diffusion-Reaction Processes [24.723536390322582]
テンソル分解は マルチウェイデータ解析の 重要なツールです
動的EMbedIngs fOr Dynamic Algorithm dEcomposition (DEMOTE)を提案する。
シミュレーション研究と実世界の応用の両方において,本手法の利点を示す。
論文 参考訳（メタデータ） (2023-10-30T15:49:45Z) - Impact of conditional modelling for a universal autoregressive quantum
state [0.0]
ニューラルネットワークにおける畳み込み層の類似体としてフィルタを導入し、任意の量子状態に翻訳的対称性付き相関を組み込む。
得られた帰納バイアスが変動柔軟性,対称性,保存量に与える影響を解析した。
論文 参考訳（メタデータ） (2023-06-09T14:17:32Z) - Towards Practical Control of Singular Values of Convolutional Layers [65.25070864775793]
畳み込みニューラルネットワーク(CNN)の訓練は容易であるが、一般化誤差や対向ロバスト性といった基本的な特性は制御が難しい。
最近の研究では、畳み込み層の特異値がそのような解像特性に顕著に影響を及ぼすことが示された。
我々は,レイヤ表現力の著しく低下を犠牲にして,先行技術の制約を緩和するための原則的アプローチを提供する。
論文 参考訳（メタデータ） (2022-11-24T19:09:44Z) - Learning Deep Implicit Fourier Neural Operators (IFNOs) with
Applications to Heterogeneous Material Modeling [3.9181541460605116]
本稿では,従来のモデルを用いることなく,データ駆動モデルを用いて素材の応答を予測することを提案する。
材料応答は、負荷条件と結果の変位および/または損傷場の暗黙のマッピングを学習することによってモデル化される。
本稿では,超弾性材料,異方性材料,脆性材料など,いくつかの例について提案手法の性能を実証する。
論文 参考訳（メタデータ） (2022-03-15T19:08:13Z) - CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。
提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。
実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
論文 参考訳（メタデータ） (2021-12-31T04:37:11Z) - A Novel Approach for Deterioration and Damage Identification in Building
Structures Based on Stockwell-Transform and Deep Convolutional Neural Network [11.596550916365574]
建物モデルに劣化損傷識別法(DIP)を適用した。
DIPは、低コストな環境振動を利用してストックウェル変換(ST)を用いて加速度応答を分析し、分光図を生成する。
我々の知る限りでは、STとCNNの組み合わせによる建物モデルにおける損傷と劣化の両方を高精度に評価するのは今回が初めてである。
論文 参考訳（メタデータ） (2021-11-11T11:31:37Z) - Data Augmentation Through Monte Carlo Arithmetic Leads to More
Generalizable Classification in Connectomics [0.0]
我々はMonte Carlo Arithmeticを用いて構造コネクトーム推定パイプラインを摂動する。
摂動ネットワークは、拡張データセットでキャプチャされ、年齢分類タスクに使用された。
この利点は、大量の摂動を妨げないので、データセットを極小に摂動しても意味のあるばらつきを生じさせ、その後に設計されたモデルで捉えることができることを示唆している。
論文 参考訳（メタデータ） (2021-09-20T16:06:05Z) - Convolutional Filtering and Neural Networks with Non Commutative
Algebras [153.20329791008095]
本研究では,非可換畳み込みニューラルネットワークの一般化について検討する。
非可換畳み込み構造は作用素空間上の変形に対して安定であることを示す。
論文 参考訳（メタデータ） (2021-08-23T04:22:58Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z)
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。