論文の概要: DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.04781v1
• Date: Fri, 06 Dec 2024 05:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-09 15:57:06.339141
• Title: DPGIIL: Dirichlet Process-Deep Generative Model-Integrated Incremental Learning for Clustering in Transmissibility-based Online Structural Anomaly Detection
• Title（参考訳）: DPGIIL: 透過性に基づくオンライン構造異常検出におけるクラスタリングのためのディリクレプロセス-ディープ生成モデル付きインテグレート学習
• Authors: Lin-Feng Mei, Wang-Ji Yan,
• Abstract要約: 本研究では、クラスタリングのためのディリクレプロセス深層生成モデル統合インクリメンタルラーニング(DPGIIL)を提案する。 DGMの潜在空間に先立ってDPMMを導入することで、DPGIILは抽出された潜在表現の相違を自動的に捕捉し、生成モデリングとクラスタリングの両方を可能にする。 2つのケーススタディにより、提案手法は、構造異常の検出とクラスタリングにおける最先端のアプローチより優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Clustering based on vibration responses, such as transmissibility functions (TFs), is promising in structural anomaly detection, but most existing approaches struggle with determining the optimal cluster number and handling high-dimensional streaming data, while their shallow structures also make them sensitive to manually-engineered feature quality. To bridge this gap, this work proposes the Dirichlet process-deep generative model-integrated incremental learning (DPGIIL) for clustering by combining the advantages of deep generative models (DGMs) in representation learning and the Dirichlet process mixture model (DPMM) in identifying distinct patterns in observed data. By introducing a DPMM prior into the latent space of DGMs, DPGIIL automatically captures dissimilarities in extracted latent representations, enabling both generative modeling and clustering. Within the context of variational Bayesian inference, a lower bound on the log marginal likelihood of DPGIIL, tighter than the evidence lower bound given sufficient training data, is derived analytically, which enables the joint optimization of DGM and DPMM parameters, thereby allowing the DPMM to regularize the DGM's feature extraction process. Additionally, a greedy split-merge scheme-based coordinate ascent variational inference method is devised to accelerate the optimization. The summary statistics of the DPMM, along with the network parameters, are used to retain information about previous data for incremental learning. Notably, this study uses variational autoencoder (VAE) within DPGIIL as an illustrative example, while this framework is adaptable to other DGMs. Two case studies show that the proposed method outperforms some state-of-the-art approaches in structural anomaly detection and clustering, while also dynamically generating new clusters to indicate the emergence of new structural conditions for online monitoring.
• Abstract（参考訳）: 透過性関数(TF)のような振動応答に基づくクラスタリングは、構造的異常検出において有望であるが、既存のほとんどのアプローチでは、最適なクラスタ数を決定し、高次元のストリーミングデータを扱うのに苦労している。 このギャップを埋めるために、表現学習における深層生成モデル(DGM)と観測データの異なるパターンを識別するディリクレプロセス混合モデル(DPMM)の利点を組み合わせたクラスタリングのためのディリクレプロセス深層生成モデル統合インクリメンタルラーニング(DPGIIL)を提案する。 DGMの潜在空間に先立ってDPMMを導入することで、DPGIILは抽出された潜在表現の相違を自動的に捕捉し、生成モデリングとクラスタリングの両方を可能にする。 変分ベイズ推定の文脈において,DPGIILの対数限界可能性の低い境界は,十分なトレーニングデータを得た証拠よりも厳密であり,DGMとDPMMパラメータの合同最適化を可能にし,DPMMがDGMの特徴抽出プロセスを正規化できるようにする。 さらに、最適化を加速するために、グリーディ分割マージスキームに基づくアセンセント変分推定法を考案した。 DPMMの要約統計は、ネットワークパラメータとともに、インクリメンタルラーニングのための以前のデータに関する情報を保持するために使用される。 特に,本研究ではDPGIIL内の変分オートエンコーダ(VAE)を実例として用い,他のDGMにも適用可能である。 2つのケーススタディにより、本手法は、構造異常の検出とクラスタリングにおける最先端のアプローチよりも優れており、同時に、オンライン監視のための新しい構造条件の出現を示すために、動的に新しいクラスタを生成する。

関連論文リスト

• Deep Generative Clustering with VAEs and Expectation-Maximization [1.8416014644193066]
  本稿では,変分オートエンコーダ(VAE)を期待最大化フレームワークに統合する新しいディープクラスタリング手法を提案する。 提案手法は,各クラスタの確率分布をVAEでモデル化し,モデルパラメータの更新を交互に行う。 これにより、各クラスタから有効なクラスタリングと新しいサンプルの生成が可能になる。
  論文  参考訳（メタデータ） (2025-01-13T14:26:39Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Variational Learning of Gaussian Process Latent Variable Models through Stochastic Gradient Annealed Importance Sampling [22.256068524699472]
  本研究では,これらの問題に対処するために,Annealed Importance Smpling (AIS)アプローチを提案する。 シークエンシャルモンテカルロサンプリング器とVIの強度を組み合わせることで、より広い範囲の後方分布を探索し、徐々にターゲット分布に接近する。 実験結果から,本手法はより厳密な変動境界,高い対数類似度,より堅牢な収束率で最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-13T08:09:05Z)
• Uniform Transformation: Refining Latent Representation in Variational Autoencoders [7.4316292428754105]
  本稿では,不規則な潜伏分布に対応するために,新しい適応型3段階一様変換(UT)モジュールを提案する。 この手法は不規則分布を潜在空間の均一分布に再構成することにより、潜在表現の絡み合いと解釈可能性を大幅に向上させる。 実験により,提案するUTモジュールの有効性を実証し,ベンチマークデータセット間の絡み合いの指標を改良した。
  論文  参考訳（メタデータ） (2024-07-02T21:46:23Z)
• Toward the Identifiability of Comparative Deep Generative Models [7.5479347719819865]
  比較深部生成モデル(DGM)における識別可能性の理論を提案する。 これらのモデルは、一般的な混合関数のクラスにおいて識別性に欠けるが、混合関数が断片的アフィンであるときに驚くほど識別可能であることを示す。 また, モデルミス種別の影響についても検討し, 従来提案されていた比較DGMの正則化手法が, 潜伏変数の数が事前に分かっていない場合に, 識別可能性を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2024-01-29T06:10:54Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• A new perspective on probabilistic image modeling [92.89846887298852]
  本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。 DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。 本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
  論文  参考訳（メタデータ） (2022-03-21T14:53:57Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
  制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。 本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-11T13:38:09Z)

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。