論文の概要: Multiple Leak Localization in Water Distribution Networks through Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2610.35972v1
• Date: Mon, 26 Oct 2026 07:16:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.377357
• Title: Multiple Leak Localization in Water Distribution Networks through Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークによる配水網における多重リーク位置推定
• Abstract要約: 本研究では,事前にリーク数を特定せずに同時リークの変動数を局所化するグラフニューラルネットワーク(GNN)モデルを提案する。 このモデルは、31ノードのハノイネットワークと92ノードのNET3ネットワークの2つのベンチマークネットワークで評価される。
• 参考スコア（独自算出の注目度）: 3.186130813218338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leak localization in water distribution networks is challenging when multiple leaks occur simultaneously, particularly under sparse monitoring. Existing data-driven methods often assume a single or predefined number of leaks or require extensive enumeration of leak combinations. This study proposes a graph neural network (GNN) model that localizes a variable number of simultaneous leaks without specifying the leak count in advance or exhaustively generating every possible combination of leak locations for training. The model is evaluated on two benchmark networks of different sizes, the 31-node Hanoi network and the larger 92-node NET3 network, under variable demand, sparse pressure-sensor coverage, variable leak magnitudes, and varying numbers of simultaneous leaks. The GNN outperforms multilayer perceptron, support vector machine, K-nearest neighbors, and random forest classifiers by up to 12% and 20% in accuracy respectively in Hanoi and NET3 networks. Consistent performance across both networks supports the scalability of the proposed approach.
• Abstract（参考訳）: 配水ネットワークにおける漏れの局所化は、特にスパースモニタリング下で複数の漏れが発生すると困難である。 既存のデータ駆動方式は、しばしば単一のまたは予め定義されたリーク数を仮定するか、あるいは広範囲のリークの組み合わせを列挙する必要がある。 本研究は,事前にリーク数を指定することなく同時リークの変動数をローカライズするグラフニューラルネットワーク(GNN)モデルを提案する。 モデルは,31ノードのハノイネットワークと92ノードの.NET3ネットワークの2つのベンチマークネットワーク上で,低圧センサカバレッジ,可変リークマグニチュード,同時リークの変動数で評価される。 GNNは、ハノイネットワークと.NET3ネットワークにおいて、多層パーセプトロン、サポートベクターマシン、K-アネレスト隣人、ランダム森林分類器をそれぞれ最大12%、20%の精度で上回っている。 両ネットワーク間の一貫性のある性能は、提案手法のスケーラビリティをサポートする。

関連論文リスト

• Nested stochastic block model for simultaneously clustering networks and nodes [10.768351228397771]
  ネットワークの集合をクラスタ化すると同時に,各ネットワーク内のコミュニティを同時に検出するために,ネストブロックモデル(NSBM)を導入する。 NSBMには、潜在的に異なるノードセットを持つ未ラベルネットワークで動作する機能など、いくつかの魅力的な機能がある。
  論文  参考訳（メタデータ） (2023-07-18T12:46:34Z)
• Layer Ensembles [95.42181254494287]
  本稿では,ネットワークの各層に対する独立なカテゴリ分布の集合を考慮した不確実性推定手法を提案する。 その結果,メモリと実行時間が少なくなるモデルが得られた。
  論文  参考訳（メタデータ） (2022-10-10T17:52:47Z)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Adversarial Examples in Multi-Layer Random ReLU Networks [39.797621513256026]
  逆例は独立したガウスパラメータを持つReLUネットワークに現れる。 ネットワーク内のボトルネック層は重要な役割を担っている。ある時点までの最小の幅は、その時点まで計算されたマッピングのスケールと感度を決定する。
  論文  参考訳（メタデータ） (2021-06-23T18:16:34Z)
• LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
  本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。 フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
  論文  参考訳（メタデータ） (2021-03-01T03:10:11Z)
• Error estimate for a universal function approximator of ReLU network with a local connection [4.111899441919163]
  我々は、局所接続で特定のニューラルネットワークアーキテクチャの近似誤差を解析し、完全な接続を持つものよりも高い適用率を示す。 私たちの誤差推定は、隠れた層の深さを制御するパラメータと、隠れた層の幅を制御するパラメータの2つに依存します。
  論文  参考訳（メタデータ） (2020-09-03T05:58:46Z)
• Fully Dynamic Inference with Deep Neural Networks [19.833242253397206]
  Layer-Net(L-Net)とChannel-Net(C-Net)と呼ばれる2つのコンパクトネットワークは、どのレイヤやフィルタ/チャネルが冗長であるかをインスタンス毎に予測する。 CIFAR-10データセットでは、LC-Netは11.9$times$ less floating-point Operations (FLOPs) となり、他の動的推論手法と比較して最大3.3%精度が向上する。 ImageNetデータセットでは、LC-Netは最大1.4$times$ FLOPsを減らし、Top-1の精度は他の方法よりも4.6%高い。
  論文  参考訳（メタデータ） (2020-07-29T23:17:48Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Prediction of wall-bounded turbulence from wall quantities using convolutional neural networks [0.0]
  完全畳み込みニューラルネットモデルを用いて,壁面正規位置の流速場を予測する。 様々なネットワークが3つの内部スケールの場所で予測するために訓練されている。
  論文  参考訳（メタデータ） (2019-12-30T15:34:41Z)

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。