Cost-informed dimensionality reduction for structural digital twin technologies

要約

分類モデルは、資産管理の意思決定をサポートするために使用される構造的デジタル ツイン テクノロジーの重要なコンポーネントです。
分類モデルを開発する際の重要な考慮事項は、使用される入力または特徴空間の次元です。
次元数が高すぎると、「次元数の呪い」が醜い頭をもたげる可能性があります。
予測パフォーマンスの低下として現れます。
このような影響を軽減するために、専門家は次元削減手法を使用できます。
この論文では、構造資産管理のための次元削減に対する意思決定理論的アプローチを定式化しています。
このアプローチでは、次元が削減され、識別情報が失われる可能性があるため、発生する誤分類コストを最小限に抑えることが目的です。
この定式化は固有値問題として構築されており、決定プロセスのコンテキストで考慮した場合に、クラス間の分離可能性が誤分類のコストに応じて重み付けされます。
このアプローチは、合成ケーススタディを使用して実証されます。

要約(オリジナル)

Classification models are a key component of structural digital twin technologies used for supporting asset management decision-making. An important consideration when developing classification models is the dimensionality of the input, or feature space, used. If the dimensionality is too high, then the `curse of dimensionality’ may rear its ugly head; manifesting as reduced predictive performance. To mitigate such effects, practitioners can employ dimensionality reduction techniques. The current paper formulates a decision-theoretic approach to dimensionality reduction for structural asset management. In this approach, the aim is to keep incurred misclassification costs to a minimum, as the dimensionality is reduced and discriminatory information may be lost. This formulation is constructed as an eigenvalue problem, with separabilities between classes weighted according to the cost of misclassifying them when considered in the context of a decision process. The approach is demonstrated using a synthetic case study.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google