Ein Ansatz mit Graph-Neuronalen Netzwerken für die Vorhersage der Einsatzmission-Zuverlässigkeit von schiffsgestützten Fahrzeuganordnungen

Konventionelle Methoden zur Berechnung der Einsatzmission-Zuverlässigkeit von schiffsgestützten Fahrzeuganordnungen leiden unter übermäßigem Rechenaufwand, langen Laufzeiten und großen Anforderungen an beschriftete Daten. Um diese Einschränkungen zu adressieren, schlägt diese Arbeit eine spezialisierte Architektur für Graph-Neuronale Netzwerke vor, die auf Daten mit begrenzten Proben zugeschnitten ist, bezeichnet als Small-Sample Graph Neural Network (SS-GNN). Das vorgeschlagene SS-GNN integriert multi-relationale graphenkonvolutionale Schichten, einen adaptiven Aufmerksamkeitsgewichtungsmechanismus, Techniken zur Regularisierung kleiner Proben und ein Modul zur Unsicherheitsquantifizierung, um die heterogenen multidimensionalen Abhängigkeiten zwischen Fahrzeugen genau zu erfassen. Um die Lernleistung unter datenarmen Bedingungen weiter zu verbessern, verwenden wir eine hybride Trainingsstrategie, die meta-lernendes Pretraining, kontrastives Lernen zur Verbesserung der Repräsentation, Wissensdestillation und Transferlernen kombiniert. Experimentelle Ergebnisse zeigen, dass das SS-GNN die traditionellen Methoden zur Zuverlässigkeitsberechnung, klassische Modelle des maschinellen Lernens und aktuelle GNN-Benchmarks in drei wesentlichen Dimensionen erheblich übertrifft: Vorhersagegenauigkeit, rechnerische Effizienz und Generalisierungsrobustheit, während es auch theoretisch fundierte Unsicherheitsabschätzungen für alle Vorhersagen liefert. Diese Arbeit bietet sowohl eine theoretische Grundlage als auch ein praktisches technisches Rahmenwerk zur Vorhersage der Zuverlässigkeit von schiffsgestützten Fahrzeugen und bietet eine generalisierbare Lösung für Regressionstasks mit kleinen Proben in industriellen Bereichen. Zukünftige Arbeiten werden sich darauf konzentrieren, den Ansatz auf extrem datenarme Regime durch spezialisierte Few-Shot-Lernalgorithmen zu erweitern, dynamische Beziehungsmodellierung für zeitvariable Einsatzprozesse zu integrieren und Wissensgraphen zu verwenden, um die betriebliche Anwendbarkeit zu erweitern.