論文の概要: Towards a GraphNARX model for structural dynamics

• arxiv url: http://arxiv.org/abs/2610.23103v1
• Date: Fri, 16 Oct 2026 08:16:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.82502
• Title: Towards a GraphNARX model for structural dynamics
• Title（参考訳）: 構造力学のためのGraphNARXモデルに向けて
• Abstract要約: GraphNARXは、構造力学のためのグラフベースの非線形自己回帰モデルである。 グラフの結節属性は過去の変位と結節力をエンコードし、モデルの出力は次のステップの変位である。 提案モデルの性能は,システム識別フレームワークと仮想センシングフレームワークで評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The current paper introduces the GraphNARX model, a graph-based nonlinear autoregressive exogenous model for structural dynamics. The model is built to account for the geometry of structures and to model dynamic behaviour as the interaction between elements of the structure. Similar to other types of NARX models, GraphNARX is used for system identification. Nodal attributes of the graph encode past displacements and nodal forces, and the output of the model is the next-timestep displacement. The graph formulation of the model allows it to generalise to structures of different dimensions and degrees of freedom. Moreover, because graph-learning is performed locally between the nodes, the GraphNARX model can also learn to infer displacements of nodes for which data are not available, i.e.\ to perform virtual sensing. The proposed model's performance is evaluated in a system-identification framework and a virtual-sensing framework, and achieves good accuracy and exhibits generalisation capabilities to structures of different sizes.
• Abstract（参考訳）: 本稿では,構造力学のためのグラフベース非線形自己回帰外因性モデルであるGraphNARXモデルを紹介する。 このモデルは構造の幾何学を考慮し、構造の要素間の相互作用として動的挙動をモデル化するために構築される。 他のタイプのNARXモデルと同様に、GraphNARXはシステム識別に使用される。 グラフの結節属性は過去の変位と結節力をエンコードし、モデルの出力は次のステップの変位である。 モデルのグラフ定式化により、異なる次元と自由度の構造に一般化することができる。 さらに、グラフ学習はノード間でローカルに実行されるため、GraphNARXモデルは、データが利用できないノード、すなわち仮想センシングを実行するノードの変位を推測することも学べる。 提案モデルの性能は,システム識別フレームワークと仮想センシングフレームワークで評価され,精度が良く,異なるサイズの構造に対して一般化能力を示す。

関連論文リスト

• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
  本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。 提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。 実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-06-22T12:41:19Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
  グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。 本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
  論文  参考訳（メタデータ） (2021-04-18T10:40:37Z)
• A Tunable Model for Graph Generation Using LSTM and Conditional VAE [1.399948157377307]
  データからグラフの構造的特徴を学習しながら、特定の特徴をチューニングできる生成モデルを提案する。 モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
  論文  参考訳（メタデータ） (2021-04-15T06:47:14Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。