De acordo com pt.wedoany.com-Uma equipe de pesquisa da Universidade Huazhong de Ciência e Tecnologia, em colaboração com a Universidade de Engenharia do Exército, propôs uma estrutura de Rede Neural Hipergráfica Dinâmica Baseada em Influência Estrutural (SID-HGNN), que melhorou significativamente o desempenho de classificação em tarefas de diagnóstico de falhas de drones de asa fixa. Visando o gargalo de que hipergrafos tradicionais são propensos ao "problema de heterogeneidade" na classificação semissupervisionada de nós, a equipe partiu da raiz teórica, revelando a lei crescente da influência da heterogeneidade em perceptrons multicamadas, grafos de baixa ordem e hipergrafos, e projetou o módulo de Fusão de Características Estruturais e Posicionais (SLF) e o módulo de Estrutura Dinâmica Baseada em Influência de Rótulos (LDS). O artigo relacionado foi publicado na edição em inglês da revista Science China: Information Sciences sob o título "Structural influence-based dynamic hypergraph for semi-supervised classification".
A equipe de pesquisa primeiro quantificou a lei de influência mútua entre nós em hipergrafos através do Teorema do Domínio de Influência e do Teorema do Gradiente de Influência, apontando que a estrutura estática dos hipergrafos tradicionais é o fator chave para a dificuldade em lidar com a heterogeneidade. Com base nisso, o módulo SLF adiciona a influência cumulativa de rótulos que um nó recebe no hipergrafo como uma característica estrutural à descrição, aumentando a capacidade de representação de características; o módulo LDS permite que os nós ajustem dinamicamente a força das conexões com base na distribuição local de rótulos, reduzindo a interferência entre categorias. Os dois módulos são integrados na estrutura unificada SID-HGNN, alcançando classificação precisa de características por meio de atualizações iterativas.
Os experimentos foram realizados em dois conjuntos de dados reais de falhas de drones de asa fixa: o conjunto de dados público ALFA, coletado pelo Instituto de Robótica da Universidade Carnegie Mellon, nos EUA, contém 1.325 amostras com 6 dimensões de características, abrangendo 7 tipos de falhas de drones; o conjunto de dados autocoletado S-FWUAV, equipado com vários sensores, contém 2.948 amostras com 9 dimensões de características, abrangendo 6 tipos de falhas. Os resultados mostraram que o SID-HGNN alcançou uma pontuação F1 de 88,83% no conjunto de dados ALFA, superando outros métodos de hipergrafo em pelo menos 4,4 pontos percentuais; no conjunto de dados S-FWUAV, a pontuação F1 foi de 89,09%, superando outros métodos de hipergrafo em pelo menos 7,79 pontos percentuais. Experimentos de ablação mostraram que o uso isolado dos módulos SLF e LDS pode melhorar o desempenho, e a combinação de ambos produz o melhor efeito. A análise de sensibilidade de parâmetros indicou que a estrutura tem desempenho estável na faixa de número de vizinhos k=3 a 30 e ordem de iteração l=2 a 10, demonstrando forte robustez e adaptabilidade. A análise visual revelou que a estrutura dinâmica pode efetivamente reduzir conexões redundantes entre nós de diferentes categorias, fortalecer associações entre nós da mesma categoria e, essencialmente, aliviar o problema de heterogeneidade.
Esta pesquisa foi concluída conjuntamente por Liang Shaojun, Wang Zhiwei e Su Housheng, da Universidade Huazhong de Ciência e Tecnologia; Zheng Ying, da Universidade Huazhong de Ciência e Tecnologia e do Instituto de Pesquisa da Universidade Huazhong de Ciência e Tecnologia em Shenzhen; e Yang Yi, da Universidade de Engenharia do Exército. A equipe de pesquisa afirmou que o SID-HGNN não apenas apresenta excelente desempenho no diagnóstico de falhas de drones de asa fixa, mas sua teoria e métodos também podem ser estendidos a outras tarefas de aprendizado de grafos, fornecendo novas ideias para resolver o problema de heterogeneidade e injetando novo impulso para aplicações de inteligência artificial em áreas como diagnóstico de falhas industriais e classificação de dados complexos.
