論文の概要: Global Feature Enhancing and Fusion Framework for Strain Gauge Time Series Classification

• arxiv url: http://arxiv.org/abs/2511.11629v1
• Date: Fri, 07 Nov 2025 15:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.185248
• Title: Global Feature Enhancing and Fusion Framework for Strain Gauge Time Series Classification
• Title（参考訳）: ひずみゲージ時系列分類のためのグローバル特徴強調と融合フレームワーク
• Authors: Xu Zhang, Peng Wang, Chen Wang, Zhe Xu, Xiaohua Nie, Wei Wang,
• Abstract要約: ストレインステータス(SGS)の認識は、モノのインターネットに基づくインテリジェントな製造分野において不可欠である。 本稿では,ハイパーグラフに基づくグローバルな特徴学習と融合フレームワークを提案する。 提案手法は,産業用SGSおよび公用UCRデータセットを用いて検証し,SGS認識における未確認データに対するより良い一般化を示す。
• 参考スコア（独自算出の注目度）: 11.607125704699927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Strain Gauge Status (SGS) recognition is crucial in the field of intelligent manufacturing based on the Internet of Things, as accurate identification helps timely detection of failed mechanical components, avoiding accidents. The loading and unloading sequences generated by strain gauges can be identified through time series classification (TSC) algorithms. Recently, deep learning models, e.g., convolutional neural networks (CNNs) have shown remarkable success in the TSC task, as they can extract discriminative local features from the subsequences to identify the time series. However, we observe that only the local features may not be sufficient for expressing the time series, especially when the local sub-sequences between different time series are very similar, e.g., SGS data of aircraft wings in static strength experiments. Nevertheless, CNNs suffer from the limitation in extracting global features due to the nature of convolution operations. For extracting global features to more comprehensively represent the SGS time series, we propose two insights: (i) Constructing global features through feature engineering. (ii) Learning high-order relationships between local features to capture global features. To realize and utilize them, we propose a hypergraph-based global feature learning and fusion framework, which learns and fuses global features for semantic consistency to enhance the representation of SGS time series, thereby improving recognition accuracy. Our method designs are validated on industrial SGS and public UCR datasets, showing better generalization for unseen data in SGS recognition.
• Abstract（参考訳）: ひずみゲージ状態(SGS)の認識は、モノのインターネットに基づくインテリジェントな製造分野において重要であり、正確な識別は故障した機械部品をタイムリーに検出し、事故を避けるのに役立つ。 ひずみゲージによって生成されたロードおよびアンロードシーケンスは、時系列分類(TSC)アルゴリズムによって識別できる。 近年、深層学習モデル、例えば畳み込みニューラルネットワーク(CNN)は、時系列を識別するためにサブシーケンスから識別的局所特徴を抽出できるため、TSCタスクにおいて顕著な成功を収めている。 しかし,異なる時系列間の局所的なサブシーケンスがよく似ている場合,特に静的強度実験における航空機翼のSGSデータにおいて,局所的な特徴だけが時系列を表現するのに十分でないことが観察された。 それでもCNNは、畳み込み操作の性質からグローバルな特徴を抽出する際の制限に悩まされている。 SGSの時系列をより包括的に表現するためにグローバルな特徴を抽出するために、我々は2つの洞察を提案する。 一 機能工学によりグローバルな機能を構築すること。 (II)グローバルな特徴を捉えるために,局所的特徴間の高次関係を学習する。 そこで我々は,SGS時系列の表現を向上させるために,意味整合性のためにグローバルな特徴を学習・融合し,認識精度を向上させるハイパーグラフに基づくグローバル特徴学習・融合フレームワークを提案する。 提案手法は,産業用SGSおよび公用UCRデータセットを用いて検証し,SGS認識における未確認データに対するより良い一般化を示す。

関連論文リスト

• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• MPTSNet: Integrating Multiscale Periodic Local Patterns and Global Dependencies for Multivariate Time Series Classification [18.142252811096643]
  我々は,MPTSNet(Multiscale Periodic Time Series Network)を提案する。 MPTSNetは、マルチスケールな局所パターンとグローバルな相関を統合し、時系列の固有情報をフル活用する。 UEAベンチマークデータセットの実験は、提案されたMPTSNetがMTSCタスクの21の高度なベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-03-07T17:07:51Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Holographic Global Convolutional Networks for Long-Range Prediction Tasks in Malware Detection [50.7263393517558]
  ホログラフィック還元表現(HRR)の特性を利用したホログラフィックグローバル畳み込みネットワーク(HGConv)を導入する。 他のグローバルな畳み込み法とは異なり、我々の手法は複雑なカーネル計算や人工カーネル設計を必要としない。 提案手法は,Microsoft Malware Classification Challenge, Drebin, EMBERのマルウェアベンチマークで新たなSOTA結果を得た。
  論文  参考訳（メタデータ） (2024-03-23T15:49:13Z)
• GACAN: Graph Attention-Convolution-Attention Networks for Traffic Forecasting Based on Multi-granularity Time Series [9.559635281384134]
  本稿では,交通予測のためのグラフアテンション・コンボリューション・アテンション・ネットワーク(GACAN)を提案する。 このモデルは、2つのグラフアテンション層と1つのスペクトルベースGCN層を挟んだ新しいAtt-Conv-Attブロックを使用する。 モデルの主な新規性は、4つの異なる時間粒度の時系列の統合である。
  論文  参考訳（メタデータ） (2021-10-27T10:21:13Z)
• A Spectral-Spatial-Dependent Global Learning Framework for Insufficient and Imbalanced Hyperspectral Image Classification [16.93904035334754]
  グローバル畳み込み長短期記憶(GCL)とグローバル共同注意機構(GJAM)に基づくスペクトル空間依存型グローバルラーニング(SSDGL)フレームワーク SSDGLは、不十分で不均衡なサンプル問題において強力な性能を有し、他の最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-05-29T15:39:03Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Multi-Faceted Representation Learning with Hybrid Architecture for Time Series Classification [16.64345034889185]
  SARCoN(Self-Attentive Recurrent Convolutional Networks)と呼ばれるハイブリッドニューラルネットワークを提案する。 SARCoNは、長期記憶ネットワークと自己拡張機構と完全な畳み込みネットワークの合成である。 我々の研究は、時系列分類の理解を深める新しいアングルを提供し、提案したモデルを現実世界のアプリケーションに最適な選択肢とみなす。
  論文  参考訳（メタデータ） (2020-12-21T16:42:07Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。