de.wedoany.com-Bericht: Ein Forschungsteam der Huazhong University of Science and Technology (HUST) in Zusammenarbeit mit der Army Engineering University of the PLA hat ein Framework für dynamische Hypergraphen-Neuronale Netze auf Basis struktureller Einflüsse (SID-HGNN) vorgeschlagen, das die Klassifikationsleistung bei der Fehlerdiagnose von Starrflügel-Drohnen deutlich verbessert. Um das Hindernis zu überwinden, dass traditionelle Hypergraphen bei der halbüberwachten Knotenklassifikation anfällig für das „Heterogenitätsproblem" sind, ging das Team theoretisch an die Wurzel des Problems heran, deckte die zunehmenden Auswirkungen von Multilayer-Perzeptronen, niedrigstufigen Graphen und Hypergraphen auf die Heterogenität auf und entwarf das Modul zur Fusion struktureller und positionsbezogener Merkmale (SLF) sowie das Modul für dynamische Strukturen auf Basis von Label-Einflüssen (LDS). Die entsprechende Arbeit wurde unter dem Titel „Structural influence-based dynamic hypergraph for semi-supervised classification" in der englischen Ausgabe von „Science China Information Sciences" veröffentlicht.
Das Forschungsteam quantifizierte zunächst die gegenseitigen Einflussgesetze zwischen Knoten in Hypergraphen mittels des Einflussbereich-Theorems und des Einflussgradienten-Theorems und wies darauf hin, dass die statische Struktur traditioneller Hypergraphen ein Schlüsselfaktor für die Schwierigkeit ist, mit Heterogenität umzugehen. Darauf aufbauend integriert das SLF-Modul den kumulativen Label-Einfluss, dem ein Knoten im Hypergraphen ausgesetzt ist, als strukturelles Merkmal in die Beschreibung, um die Merkmalsrepräsentationsfähigkeit zu verbessern. Das LDS-Modul ermöglicht es Knoten, die Verbindungsstärke dynamisch an die lokale Labelverteilung anzupassen, wodurch Interferenzen zwischen Klassen reduziert werden. Die beiden Module werden zu einem einheitlichen SID-HGNN-Framework integriert, das bei iterativen Aktualisierungen eine präzise Merkmalsklassifikation erreicht.
Die Experimente wurden an zwei realen Fehlerdatensätzen von Starrflügel-Drohnen durchgeführt: Der öffentliche ALFA-Datensatz, erhoben vom Robotics Institute der Carnegie Mellon University, USA, umfasst 1325 Proben mit 6 Merkmalsdimensionen und deckt 7 Drohnenfehler ab. Der selbst erhobene S-FWUAV-Datensatz, der mit mehreren Sensoren ausgestattet ist, enthält 2948 Proben mit 9 Merkmalsdimensionen und deckt 6 Fehler ab. Die Ergebnisse zeigen, dass SID-HGNN auf dem ALFA-Datensatz einen F1-Score von 88,83 % erreicht, was mindestens 4,4 Prozentpunkte höher ist als bei anderen Hypergraphen-Methoden. Auf dem S-FWUAV-Datensatz beträgt der F1-Score 89,09 %, was mindestens 7,79 Prozentpunkte über anderen Hypergraphen-Methoden liegt. Ablationsstudien zeigen, dass die alleinige Verwendung der SLF- und LDS-Module die Leistung verbessert, die Kombination jedoch die besten Ergebnisse liefert. Eine Parameter-Sensitivitätsanalyse zeigt, dass das Framework über einen Bereich von k=3 bis 30 Nachbarn und einer Iterationsordnung l=2 bis 10 stabile Leistungen erbringt und eine hohe Robustheit und Anpassungsfähigkeit aufweist. Visualisierungsanalysen ergaben, dass die dynamische Struktur redundante Verbindungen zwischen Knoten verschiedener Klassen effektiv reduziert, die Assoziationen zwischen Knoten derselben Klasse stärkt und das Heterogenitätsproblem im Kern entschärft.
Die Studie wurde gemeinsam von Liang Shaojun, Wang Zhiwei und Su Housheng von der HUST, Zheng Ying von der HUST und dem Shenzhen Research Institute der HUST sowie Yang Yi von der Army Engineering University durchgeführt. Das Forschungsteam gab an, dass SID-HGNN nicht nur bei der Fehlerdiagnose von Starrflügel-Drohnen hervorragende Leistungen erbringt, sondern dass seine Theorien und Methoden auch auf andere Graph-Lernaufgaben übertragen werden können. Dies bietet neue Ansätze zur Lösung des Heterogenitätsproblems und verleiht der Anwendung von Künstlicher Intelligenz in Bereichen wie der industriellen Fehlerdiagnose und der Klassifikation komplexer Daten neue Impulse.
