論文の概要: Robust and Explainable 3D Mode Shape Recognition Using Region-Aware Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.01522v1
• Date: Wed, 01 Jul 2026 22:38:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.610051
• Title: Robust and Explainable 3D Mode Shape Recognition Using Region-Aware Graph Neural Networks
• Title（参考訳）: 領域認識型グラフニューラルネットワークを用いたロバストかつ説明可能な3次元モード形状認識
• Authors: Tong Duy Son, Marc Brughmans, Andrey Hense, Kohta Sugiura, Sebastian Ciceo, Paolo di Carlo, Theo Geluk,
• Abstract要約: 本稿では,ロバストな3次元モード形状認識のための標準エンジニアリンググラフ表現と領域認識グラフ学習フレームワークを提案する。 提案手法は,重度ラベルの不足下での4つの車両プログラムのFEおよび実験データセットを用いて検証した。 結果は、NVH分析で用いられる工学的定義された構造領域に直接関連して、高い分類精度、車間移動可能性、物理的に意味のある説明を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mode shape recognition is a fundamental task in automotive NVH development, yet it remains dependent on manual visual inspection by experienced engineers. Existing approaches based on engineering heuristics, Modal Assurance Criterion (MAC), or geometry-dependent AI representations often exhibit limited robustness across different vehicle architectures, finite element (FE) meshes, and experimental measurement layouts, restricting their industrial applicability. This paper presents a Canonical Engineering Graph Representation and region-aware graph learning framework for robust and explainable 3D mode shape recognition. Rather than learning directly from vehicle-specific FE meshes, heterogeneous FE models and experimental measurements are transformed into a common graph whose nodes represent semantically meaningful structural regions connected through engineering-informed relationships. Geometry-independent regional descriptors are combined with graph attention learning and region-aware pooling to capture structural interactions while preserving engineering semantics and enabling physically interpretable predictions. The resulting representation decouples engineering knowledge from numerical discretization, allowing transfer across different vehicle programs without requiring identical mesh topology or sensor configurations. The proposed framework is validated using FE and experimental datasets from four vehicle programs under severe label scarcity. Results demonstrate high classification accuracy, cross-vehicle transferability, and physically meaningful explanations by directly relating predictions to engineering-defined structural regions used in NVH analysis. Beyond mode shape recognition, the proposed Canonical Engineering Graph Representation provides a reusable engineering abstraction for trustworthy and transferable AI across heterogeneous simulation and experimental workflows.
• Abstract（参考訳）: モード形状認識は、自動車のNVH開発における基本的な課題であるが、経験豊富な技術者による手動の視覚検査に依存している。 既存の技術ヒューリスティックスに基づくアプローチ、モーダル保証基準(MAC)、または幾何学に依存したAI表現は、異なる車両アーキテクチャ、有限要素(FE)メッシュ、実験的な測定レイアウトに制限のあるロバスト性を示し、産業応用性を制限する。 本稿では,頑健で説明可能な3次元モード形状認識のための標準エンジニアリンググラフ表現と地域対応グラフ学習フレームワークを提案する。 車両固有のFEメッシュから直接学習するのではなく、異種FEモデルと実験的な測定結果を共通のグラフに変換する。 幾何学に依存しない地域記述子とグラフ注意学習と領域認識プールを組み合わせることで、工学的意味学を維持しながら構造的相互作用を捉え、物理的に解釈可能な予測を可能にする。 その結果、数値的な離散化からエンジニアリングの知識を分離し、同一のメッシュトポロジーやセンサー構成を必要とせず、異なる車両プログラム間での転送を可能にした。 提案手法は,重度ラベルの不足下での4つの車両プログラムのFEおよび実験データセットを用いて検証した。 結果は、NVH分析で用いられる工学的定義された構造領域に直接関連して、高い分類精度、車間移動可能性、物理的に意味のある説明を示す。 モード形状認識以外にも、提案されたCanonical Engineering Graph Representationは、異種シミュレーションと実験ワークフローをまたいだ信頼性と転送可能なAIのための再利用可能なエンジニアリング抽象化を提供する。

関連論文リスト

• Toward Generalizable Graph Learning for 3D Engineering AI: Explainable Workflows for CAE Mode Shape Classification and CFD Field Prediction [5.497980646898957]
  本稿では、3DエンジニアリングAIのための実践的なグラフ学習フレームワークを提案する。 このフレームワークは、CAE振動モード形状分類とCFD空力場予測という2つの自動車応用で検証されている。
  論文  参考訳（メタデータ） (2026-04-09T04:15:17Z)
• Towards Worst-Case Guarantees with Scale-Aware Interpretability [58.519943565092724]
  ニューラルネットワークは、自然データの階層的多スケール構造に従って情報を整理する。 我々は,形式機械と解釈可能性ツールを開発するための統一的な研究課題,即時対応型解釈可能性(enmphscale-aware interpretability)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T01:22:31Z)
• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Enginuity: Building an Open Multi-Domain Dataset of Complex Engineering Diagrams [2.8809775760443657]
  Enginuity - 自動ダイアグラム解析用に設計された包括的な構造アノテーションを備えた、最初のオープンで大規模なマルチドメインエンジニアリングダイアグラムデータセットを提案する。 階層的なコンポーネント関係,コネクション,セマンティック要素をさまざまなエンジニアリング領域にわたって取得することにより,提案したデータセットは,構造化図解析,クロスモーダル情報検索,AI支援エンジニアリングシミュレーションなどの重要な下流タスクに,マルチモーダルな大規模言語モデルで対処することが可能になる。
  論文  参考訳（メタデータ） (2026-01-19T18:54:50Z)
• TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics [53.442362491589726]
  本稿では、視覚言語モデル(VLM)を幾何学コンピュータに変換する新しいフレームワークであるTIGeR(Tool-Integrated Geometric Reasoning)を提案する。 TIGeRは、ニューラルネットワーク内で複雑な幾何学的操作を内部化しようとするのではなく、幾何学的推論要求を認識するためにモデルに権限を与える。 TIGeRは、実世界のロボット操作タスクにおいて、センチメートルレベルの精度を示しながら、幾何学的推論ベンチマーク上でSOTA性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-10-08T16:20:23Z)
• Graph Enhanced Trajectory Anomaly Detection [23.8160784400789]
  軌道異常検出は、インテリジェント交通システムから都市安全・不正防止に至るまで、異常かつ予期せぬ動きパターンを特定するために不可欠である。 既存の手法では、軌跡をサンプリングされた位置の列として扱うことにより、軌道の性質とその運動空間の限られた側面しか考慮していない。 提案するグラフ拡張軌道異常検出フレームワークは,道路網のトポロジ,セグメントセマンティクス,過去の走行パターンを密に統合し,軌跡データをモデル化する。
  論文  参考訳（メタデータ） (2025-09-22T20:15:15Z)
• Spatial Understanding from Videos: Structured Prompts Meet Simulation Data [89.77871049500546]
  本稿では,事前学習された視覚言語モデルにおける3次元空間推論を,アーキテクチャを変更することなく拡張するための統一的なフレームワークを提案する。 このフレームワークは、複雑なシーンと質問を解釈可能な推論ステップに分解する構造化プロンプト戦略であるSpatialMindと、多様な3Dシミュレーションシーンから構築されたスケーラブルな質問応答データセットであるScanForgeQAを組み合わせる。
  論文  参考訳（メタデータ） (2025-06-04T07:36:33Z)
• FusionForce: End-to-end Differentiable Neural-Symbolic Layer for Trajectory Prediction [1.03590082373586]
  本稿では、カメラ画像やライダー点雲から、荒れたオフロード地形におけるロボットの軌道予測を行うエンド・ツー・エンドの微分可能モデルを提案する。 このモデルは、ロボットとテランの相互作用力を予測する学習可能なコンポーネントと、古典力学の法則を強制するニューラル・シンボリック・レイヤを統合する。
  論文  参考訳（メタデータ） (2025-02-14T13:36:00Z)
• Explainable, Physics Aware, Trustworthy AI Paradigm Shift for Synthetic Aperture Radar [5.164409209168982]
  本稿では,SAR(Synthetic Aperture Radar)データを対象としたデータサイエンスにおける説明可能性のパラダイム変更を提案する。 明確に確立されたモデルに基づいた説明可能なデータ変換を使用して、AIメソッドのインプットを生成することを目指している。
  論文  参考訳（メタデータ） (2023-01-09T09:22:13Z)
• Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
  この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。 非条件的および条件付きポストホック診断ツールの拡張に使用できる。 提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
  論文  参考訳（メタデータ） (2021-04-09T10:48:11Z)

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。