Robust soft sensing with causal and injectivity-preserving Graph Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Graph Neural Networks (GNNs) excel in soft sensing by effectively modeling complex interdependencies among process variables. This study presents a graph-based framework for improved process quality prediction in nonlinear, dynamic industrial systems. We address two key challenges in chemical process soft sensing: (i) unknown graphs where the structure is not available a priori , and (ii) injectivity issues from scalar features. To resolve non-injective aggregation, where distinct neighborhoods become indistinguishable, we expand the input domain to preserve structural uniqueness in both undirected and directed graphs. We also propose a method for learning directed graphs using Sparse Debiased Dynamic Mode Decomposition, which captures temporal dynamics and produces sparse, interpretable, and noise-resilient representations. An end-to-end framework jointly learns the graph structure and GNN parameters, allowing the graph to adapt during training based on the prediction task. The proposed methods are validated through simulations under varying noise levels and a benchmark case study involving a Sulfur Recovery Unit, demonstrating strong robustness and predictive performance. • Introduces an injectivity-preserving GNN framework for industrial soft sensing. • Proposes sparse, debiased DMD to infer spatiotemporal causal graph structures. • Jointly learns graph topology and GNN weights via an end-to-end loss formulation. • Demonstrates robustness under varying noise through extensive numerical simulations. • Validates superior predictive performance on benchmark Sulfur Recovery Unit process.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle