fr.wedoany.com Rapport : Une équipe de recherche conjointe de l'Université des Sciences et Technologies de Huazhong (HUST) et de l'Université d'Ingénierie de l'Armée de Terre a proposé un cadre de réseau neuronal hypergraphique dynamique basé sur l'influence structurelle (SID-HGNN), qui améliore considérablement les performances de classification dans les tâches de diagnostic des pannes de drones à voilure fixe. Face au goulot d'étranglement où les hypergraphes traditionnels sont sujets au « problème d'hétérogénéité » lors de la classification semi-supervisée des nœuds, l'équipe est partie des racines théoriques, a révélé la loi croissante de l'impact de l'hétérogénéité sur les perceptrons multicouches, les graphes de bas ordre et les hypergraphes, et a conçu un module de fusion des caractéristiques structurelles et de position (SLF) ainsi qu'un module de structure dynamique basé sur l'influence des étiquettes (LDS). L'article connexe, intitulé « Structural influence-based dynamic hypergraph for semi-supervised classification », a été publié dans l'édition anglaise de Science China Information Sciences.
L'équipe de recherche a d'abord quantifié les lois d'influence mutuelle entre les nœuds dans l'hypergraphe à l'aide du théorème du domaine d'influence et du théorème du gradient d'influence, indiquant que la structure statique des hypergraphes traditionnels est un facteur clé rendant difficile la gestion de l'hétérogénéité. Sur cette base, le module SLF ajoute l'influence cumulative des étiquettes reçue par un nœud dans l'hypergraphe comme caractéristique structurelle pour améliorer la capacité de représentation des caractéristiques ; le module LDS permet aux nœuds d'ajuster dynamiquement la force des connexions en fonction de la distribution locale des étiquettes, réduisant ainsi les interférences intercatégories. Les deux modules sont intégrés dans un cadre unifié SID-HGNN, permettant une classification précise des caractéristiques lors des mises à jour itératives.
Les expériences ont été menées sur deux ensembles de données réelles de pannes de drones à voilure fixe : l'ensemble de données public ALFA, collecté par l'Institut de Robotique de l'Université Carnegie Mellon (États-Unis), contient 1325 échantillons, 6 dimensions de caractéristiques et couvre 7 types de pannes de drones ; l'ensemble de données auto-collecté S-FWUAV, équipé de multiples capteurs, contient 2948 échantillons, 9 dimensions de caractéristiques et couvre 6 types de pannes. Les résultats montrent que le score F1 du SID-HGNN atteint 88,83 % sur l'ensemble de données ALFA, soit au moins 4,4 points de pourcentage de plus que les autres méthodes hypergraphiques ; sur l'ensemble de données S-FWUAV, le score F1 est de 89,09 %, soit au moins 7,79 points de pourcentage de plus que les autres méthodes hypergraphiques. Les expériences d'ablation montrent que l'utilisation individuelle des modules SLF et LDS améliore les performances, et que leur combinaison donne les meilleurs résultats. L'analyse de sensibilité des paramètres indique que le cadre maintient des performances stables pour un nombre de voisins k de 3 à 30 et un ordre d'itération l de 2 à 10, démontrant une robustesse et une adaptabilité élevées. L'analyse visuelle révèle que la structure dynamique réduit efficacement les connexions redondantes entre les nœuds de différentes catégories, renforce les associations entre les nœuds de la même catégorie et atténue fondamentalement le problème d'hétérogénéité.
Cette recherche a été réalisée conjointement par Liang Shaojun, Wang Zhiwei et Su Housheng de l'Université des Sciences et Technologies de Huazhong (HUST), Zheng Ying de l'Université des Sciences et Technologies de Huazhong (HUST) et de l'Institut de Recherche de l'Université des Sciences et Technologies de Huazhong à Shenzhen, ainsi que Yang Yi de l'Université d'Ingénierie de l'Armée de Terre. L'équipe de recherche a indiqué que le SID-HGNN non seulement excelle dans le diagnostic des pannes des drones à voilure fixe, mais que sa théorie et ses méthodes peuvent également être étendues à d'autres tâches d'apprentissage sur graphes, offrant une nouvelle approche pour résoudre le problème d'hétérogénéité et insufflant une nouvelle dynamique aux applications de l'intelligence artificielle dans des domaines tels que le diagnostic industriel des pannes et la classification de données complexes.
