論文の概要: Neural Network Implementation of the Renormalization Group for Fault Diagnosis with Class Imbalance

• arxiv url: http://arxiv.org/abs/2606.18326v1
• Date: Tue, 16 Jun 2026 17:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.829062
• Title: Neural Network Implementation of the Renormalization Group for Fault Diagnosis with Class Imbalance
• Title（参考訳）: クラス不均衡を伴う異常診断のための再正規化群のニューラルネットワークによる実装
• Authors: Evgeny Nikulchev, Dmitry Ilin,
• Abstract要約: 本稿では、再正規化群(RG)の概念に基づくニューラルネットワークアーキテクチャであるRGNetを提案する。 このモデルは入力次元を逐次圧縮し、局所的な詳細と大域的なパターンの両方を捉える前に全てのスケールを分類する。 その結果、RGNetは、不均衡なクラスを持つアプリケーションにおいて、障害予測のための普遍的で解釈可能で競合的なソリューションであることを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of machine learning models in practical tasks faces challenges such as class imbalance and multidimensional noise. This paper proposes RGNet, a neural network architecture based on the concept of the renormalization group (RG), for hierarchical coarse-graining of the feature space. The model sequentially compresses the input dimensionality and concatenates all scales before classification, allowing it to capture both local details and global patterns. The notion of RG-flows is introduced - interpretable low-dimensional representations whose visualization via t-SNE reveals a discrete curvilinear structure confirming the effectiveness of coarse-graining. Experimental results are presented on the imbalanced AI4I dataset. The obtained results demonstrate that RGNet is a universal, interpretable, and competitive solution for fault prediction in applications with imbalanced classes.
• Abstract（参考訳）: 実践的なタスクにおける機械学習モデルの応用は、クラス不均衡や多次元ノイズといった課題に直面している。 本稿では、特徴空間の階層的粗粒化のための再正規化群(RG)の概念に基づくニューラルネットワークアーキテクチャであるRGNetを提案する。 このモデルは入力次元を逐次圧縮し、分類する前にすべてのスケールを連結し、局所的な詳細とグローバルなパターンの両方をキャプチャする。 RG-フローの概念は、t-SNEによる可視化を解釈可能な低次元表現として導入され、粗粒化の有効性を確認する離散なカービリナー構造が明らかにされている。 不均衡なAI4Iデータセットに実験結果が提示される。 その結果、RGNetは、不均衡なクラスを持つアプリケーションにおいて、障害予測のための普遍的で解釈可能で競合的なソリューションであることを示した。

関連論文リスト

• HiSE: A Lightweight Hierarchical Semantic Explainer for Heterogeneous Graph Neural Networks [15.506128015180472]
  不均一グラフニューラルネットワーク(HGNN)は複雑なデータのモデリングにおいて顕著な性能を示した。 既存の説明法には2つの大きな制限がある。 我々はHGNNのための軽量な特徴指向解釈モデルであるHiSEを提案する。
  論文  参考訳（メタデータ） (2026-06-02T11:12:01Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Wilsonian Renormalization of Neural Network Gaussian Processes [1.8749305679160366]
  本稿では,ガウス過程(GP)回帰の文脈でWilsonian RGを実行するための実践的アプローチを示す。 GPカーネルの未学習モードを体系的に統合し,データをIRスケールに設定したGPのRGフローを得る。 このアプローチは、RGフローと学習可能モードと学習不可能モードとの自然な接続を提供することによって、RGとニューラルネットワークの間の構造的な類似性を越えている。
  論文  参考訳（メタデータ） (2024-05-09T18:00:00Z)
• Graph Embedded Intuitionistic Fuzzy Random Vector Functional Link Neural Network for Class Imbalance Learning [4.069144210024564]
  クラス不均衡学習(GE-IFRVFL-CIL)モデルのためのグラフ埋め込み直観的ファジィRVFLを提案する。 提案したGE-IFRVFL-CILモデルは、クラス不均衡問題に対処し、ノイズとアウトレーヤの有害な効果を軽減し、データセットの固有の幾何学的構造を保存するための有望な解決策を提供する。
  論文  参考訳（メタデータ） (2023-07-15T20:45:45Z)
• Generalization Guarantee of Training Graph Convolutional Networks with Graph Topology Sampling [83.77955213766896]
  グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。 スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。 本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
  論文  参考訳（メタデータ） (2022-07-07T21:25:55Z)
• Stochastic Aggregation in Graph Neural Networks [9.551282469099887]
  グラフニューラルネットワーク(GNN)は、過スムージングおよび限られた電力識別を含む病理を発現する。 GNNsにおける集約のための統合フレームワーク(STAG)を提案する。そこでは、近隣からの集約プロセスにノイズが(適応的に)注入され、ノード埋め込みを形成する。
  論文  参考訳（メタデータ） (2021-02-25T02:52:03Z)
• CASTLE: Regularization via Auxiliary Causal Graph Discovery [89.74800176981842]
  因果構造学習(CASTLE)の正規化を導入し,変数間の因果関係を共同学習することでニューラルネットワークの正規化を提案する。 CASTLEは因果的隣り合いを持つ因果的DAGの特徴のみを効率的に再構成する一方、再構成ベース正規化器は全ての入力特徴を過度に再構成する。
  論文  参考訳（メタデータ） (2020-09-28T09:49:38Z)

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。