論文の概要: Conservative Hybrid Graph Networks for Process Systems with Learned Routing
- arxiv url: http://arxiv.org/abs/2608.28896v1
- Date: Fri, 28 Aug 2026 21:54:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.778576
- Title: Conservative Hybrid Graph Networks for Process Systems with Learned Routing
- Title（参考訳）: 学習経路をもつプロセスシステムのための保守的ハイブリッドグラフネットワーク
- Abstract要約: 保守的ハイブリッドグラフネットワーク(CHGN)は、データ駆動サロゲートとしてルーティング、レシエーション割り当て、削除率を学ぶ。
CHGNは10-20ノードのネットワークでトレーニングされ、ゼロショットを25-40ノードの見えないグラフに再トレーニングせずに転送する。
流体混合パイロットプラントでは、CHGNは保持された物理的欠陥の持続的ベースラインを改善するが、手動による介入は予測しない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Industrial process networks do not maintain a single effective topology while operating: streams are throttled or bypassed, and units move between idle, transition, and active regimes. Models of such systems are typically trained on measured state trajectories while the operating mechanisms that generated them remain latent, and an unconstrained graph network can fit such a trajectory without assigning stable physical meaning to the recovered routing. We address both problems with the Conservative Hybrid Graph Network (CHGN), which learns routing, regime assignment, and removal rates as data-driven surrogates and inserts them into a fixed transport equation, so that the mass balance holds by construction for any predicted routing. CHGN trained on networks of 10-20 nodes transfers zero-shot to unseen graphs of 25-40 nodes without retraining, reaching an RMSE of 2.1e-3 against 6e-2 to 9e-2 for GNN baselines under the same protocol, with a gate MAE of 7.9e-3 and regime accuracy of 94.3% (1.2e-2 and 96.4% respectively on the fixed training topology). On a fluid-mixing pilot plant, CHGN improves on a persistence baseline for held-out physical faults but does not predict manual interventions, for which the governing valve actions are unobserved. The model therefore transfers across process topologies without retraining and exposes the latent mechanisms governing plant behaviour to inspection.
- Abstract（参考訳）: 産業プロセスネットワークは、運用中に単一の効果的なトポロジを保持していない: ストリームはスロットル化またはバイパスされ、ユニットはアイドル、トランジション、アクティブなレジームの間を移動する。
このようなシステムのモデルは、通常、測定された状態軌跡に基づいて訓練されるが、生成した操作機構は潜時のままであり、制約のないグラフネットワークは、回復されたルーティングに安定した物理的意味を割り当てることなく、そのような軌跡に適合することができる。
データ駆動型サロゲートとしてルーティング,システマティック割り当て,削除率を学習し,それらを固定された輸送方程式に挿入することで,予測されたルーティングの構成によって質量収支が維持される。
10-20ノードのネットワーク上で訓練されたCHGNは、ゼロショットを25-40ノードの未確認グラフに再トレーニングせずに転送し、同じプロトコルの下でGNNベースラインに対して2.1e-3対6e-2対9e-2のRMSEに到達し、ゲートMAEは7.9e-3で、レギュラー精度は94.3%(それぞれ1.2e-2と96.4%)である。
流体混合パイロットプラントでは、CHGNは保持された物理的欠陥に対する持続的ベースラインを改善するが、制御弁アクションが観測されない手動の介入を予測しない。
したがって、モデルは再訓練せずにプロセストポロジを移動し、植物行動を制御する潜在メカニズムを検査に公開する。
関連論文リスト
- NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
車両の直接遠隔操作は重要な技術的ボトルネックに直面している。
通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。
本稿では,一方的な遠隔操作フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T01:51:08Z) - MxGPS: Multiplex Graph Transformers for a Power Grid Foundation Model [0.7951418336539415]
電力グリッド問題に対するグラフニューラルネットワーク(GNN)の単一タスクの微調整は、系統的な障害モードを示す。
我々は、このトポロジオーバーフィッティングを、基礎となる物理学よりも訓練トポロジに特有の関係構造を符号化するタスク固有の勾配信号の傾向と呼ぶ。
我々は、共有ノードエンコーダ上でKタスク特化GPSブランチを実行する多重グラフ変換器であるMxGPS(Multiplex GPS)を紹介する。
論文 参考訳（メタデータ） (2026-07-15T12:22:36Z) - ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control [54.267632784131415]
ReactiveBFMは、ヒューマノイドのためのリアルタイムループ計画制御フレームワークである。
定期的なプレフィックスサンプリングカリキュラムを通じて、致命的な累積露光バイアスを軽減する。
これは、テキスト条件付きクローズドループ運動の膨大なレパートリーにおいて、前例のない物理的機敏さを示す。
論文 参考訳（メタデータ） (2026-06-29T14:27:27Z) - EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。
提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。
このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
論文 参考訳（メタデータ） (2026-04-06T23:35:15Z) - Topology-Aware Graph Reinforcement Learning for Energy Storage Systems Optimal Dispatch in Distribution Networks [1.7616042687330642]
双遅延Deep Deterministic Policy Gradient(TD3)に基づくトポロジ対応強化学習アーキテクチャを開発する。
ESSディスパッチのためのグラフ特徴エンコーダとして3つのグラフニューラルネットワーク(GNN)について検討する。
その結果、GNNベースのコントローラは、電圧違反の数と大きさを一貫して減少させることがわかった。
論文 参考訳（メタデータ） (2026-03-27T10:32:18Z) - Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。
AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする
我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
論文 参考訳（メタデータ） (2026-03-12T18:19:21Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - Physics-Aware Heterogeneous GNN Architecture for Real-Time BESS Optimization in Unbalanced Distribution Systems [9.651906452129657]
本稿では、詳細な3相グリッド情報を埋め込むことで、多様なGNNアーキテクチャがネットワーク状態変数を高精度に予測できることを実証する。
物理インフォームド・ロス関数は、訓練中のソフトペナルティによって、-SoCとCレートの限界という重要なバッテリ制約を組み込む。
6.92e-07 (GCN), 1.21e-06 (GAT), 3.29e-05 (GPS), 9.04e-07 (SAGE) のバス電圧 MSE は低い予測誤差を実現する。
論文 参考訳（メタデータ） (2025-12-10T16:00:18Z) - Learning Wireless Interference Patterns: Decoupled GNN for Throughput Prediction in Heterogeneous Multi-Hop p-CSMA Networks [4.303580795892996]
Decoupled Graph Convolutional Network (D-GCN)は、ノードの送信確率の処理を近隣の干渉効果から明確に分離する新しいアーキテクチャである。
D-GCNは3.3%のNMAEを達成し、強力なベースラインを上回り、正確な解析手法が計算的に実現不可能になった場合でも、依然として引くことができる。
論文 参考訳（メタデータ） (2025-10-15T22:13:59Z) - FusionLLM: A Decentralized LLM Training System on Geo-distributed GPUs with Adaptive Compression [55.992528247880685]
分散トレーニングは、システム設計と効率に関する重要な課題に直面します。
大規模深層ニューラルネットワーク(DNN)のトレーニング用に設計・実装された分散トレーニングシステムFusionLLMを提案する。
本システムと手法は,収束性を確保しつつ,ベースライン法と比較して1.45～9.39倍の高速化を実現可能であることを示す。
論文 参考訳（メタデータ） (2024-10-16T16:13:19Z)
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。