Fugu-MT 論文翻訳(概要): Causal Graph Spatial-Temporal Autoencoder for Reliable and Interpretable Process Monitoring

論文の概要: Causal Graph Spatial-Temporal Autoencoder for Reliable and Interpretable Process Monitoring

arxiv url: http://arxiv.org/abs/2602.03004v1
Date: Tue, 03 Feb 2026 02:18:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-04 18:37:15.190996
Title: Causal Graph Spatial-Temporal Autoencoder for Reliable and Interpretable Process Monitoring
Title（参考訳）: 信頼性・解釈可能なプロセスモニタリングのための因果グラフ時空間オートエンコーダ
Authors: Xiangrui Zhang, Chunyue Song, Wei Dai, Zheng Zhang, Kaihua Gao, Furong Gao,
Abstract要約: 本稿では,産業プロセス監視のための因果グラフ空間時間オートエンコーダ(CGSTAE)を提案する。 CGSTAEのネットワークアーキテクチャは、相関グラフ構造学習モジュールと時空間エンコーダデコーダモジュールの2つのコンポーネントを組み合わせる。提案したCGSTAEは,特徴空間と残差空間の2つの統計量を用いて,効率的なプロセス監視と故障検出を可能にする。
参考スコア（独自算出の注目度）: 14.050990954092809
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To improve the reliability and interpretability of industrial process monitoring, this article proposes a Causal Graph Spatial-Temporal Autoencoder (CGSTAE). The network architecture of CGSTAE combines two components: a correlation graph structure learning module based on spatial self-attention mechanism (SSAM) and a spatial-temporal encoder-decoder module utilizing graph convolutional long-short term memory (GCLSTM). The SSAM learns correlation graphs by capturing dynamic relationships between variables, while a novel three-step causal graph structure learning algorithm is introduced to derive a causal graph from these correlation graphs. The algorithm leverages a reverse perspective of causal invariance principle to uncover the invariant causal graph from varying correlations. The spatial-temporal encoder-decoder, built with GCLSTM units, reconstructs time-series process data within a sequence-to-sequence framework. The proposed CGSTAE enables effective process monitoring and fault detection through two statistics in the feature space and residual space. Finally, we validate the effectiveness of CGSTAE in process monitoring through the Tennessee Eastman process and a real-world air separation process.
Abstract（参考訳）: 本稿では,産業プロセス監視の信頼性と解釈性を向上させるため,CGSTAE(Causal Graph Spatial-Temporal Autoencoder)を提案する。 CGSTAEのネットワークアーキテクチャは、空間自己アテンション機構(SSAM)に基づく相関グラフ構造学習モジュールと、グラフ畳み込み長短メモリ(GCLSTM)を利用した時空間エンコーダデコーダモジュールの2つのコンポーネントを組み合わせる。 SSAMは変数間の動的関係をキャプチャして相関グラフを学習し、新しい3段階因果グラフ構造学習アルゴリズムを導入し、これらの相関グラフから因果グラフを導出する。このアルゴリズムは因果不変性原理の逆の視点を利用して、異なる相関関係から不変因果グラフを明らかにする。 GCLSTMユニットで構築された時空間エンコーダデコーダは、シーケンス・ツー・シーケンス・フレームワーク内で時系列プロセスデータを再構成する。提案したCGSTAEは,特徴空間と残差空間の2つの統計量を用いて,効率的なプロセス監視と故障検出を可能にする。最後に,テネシー・イーストマン・プロセスと実世界の空気分離プロセスによるプロセスモニタリングにおけるCGSTAEの有効性を検証する。

関連論文リスト

Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-03-14T02:26:10Z)
Learning Time-aware Graph Structures for Spatially Correlated Time Series Forecasting [30.93275270960829]
本稿では時系列間の時間認識相関を抽出する時間認識グラフ構造学習(TagSL)を提案する。グラフ畳み込みに基づくGated Recurrent Unit (GCGRU) も提案する。最後に,TagSLとGCGRUを組み合わせたTGCRN(Time-aware Graph Convolutional Recurrent Network)という統合フレームワークを導入し,マルチステップ時間予測のためのエンコーダデコーダアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-12-27T04:23:43Z)
GSP-KalmanNet: Tracking Graph Signals via Neural-Aided Kalman Filtering [23.19392802641989]
ハイブリッドモデルベース/データ駆動手法を用いて,グラフ信号の追跡について検討する。我々はGSP-KalmanNetを開発し、グラフィカルな測定から隠れたグラフィカルな状態を追跡する。提案した GSP-KalmanNet は,精度の向上と実行時間性能の向上に加えて,モデルの誤特定に対する堅牢性の向上を実現している。
論文参考訳（メタデータ） (2023-11-28T08:43:10Z)
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)
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)
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)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
Spectral Transform Forms Scalable Transformer [1.19071399645846]
この研究は自己注意の哲学から学び、情報的長距離時間相互作用を用いた効率的なスペクトルベースの神経ユニットを提案する。開発されたスペクトルウィンドウユニット(SW)モデルは、保証された効率でスケーラブルな動的グラフを予測する。
論文参考訳（メタデータ） (2021-11-15T08:46:01Z)
Forecast Network-Wide Traffic States for Multiple Steps Ahead: A Deep Learning Approach Considering Dynamic Non-Local Spatial Correlation and Non-Stationary Temporal Dependency [6.019104024723682]
本研究では,交通予測における2つの問題について検討する。(1)交通リンク間の動的・非局所的な空間的相関を捉え,(2)正確な複数ステップの予測を行うための時間依存性のダイナミクスをモデル化する。本稿では,これらの問題に対処するため,時空間列列モデル(STSeq2Seq)というディープラーニングフレームワークを提案する。このモデルは、時間的特徴を捉えるためにシーケンスからシーケンス(seq2seq)アーキテクチャに基づいて構築され、空間情報を集約するためのグラフ畳み込みに依存している。
論文参考訳（メタデータ） (2020-04-06T03:40:56Z)

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。