ترجمه فارسی مقاله کاهش ابعادی آگاهانه برای فن آوری های دوقلوی دیجیتال ساختاری

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

مدل های طبقه بندی یکی از مؤلفه های اصلی فن آوری های دوقلوی دیجیتال ساختاری است که برای حمایت از تصمیم گیری مدیریت دارایی استفاده می شود.نکته مهم هنگام تهیه مدلهای طبقه بندی ، ابعاد ورودی یا فضای ویژگی است که مورد استفاده قرار می گیرد.اگر ابعاد خیلی زیاد باشد ، ممکن است “نفرین ابعاد” سر زشت خود را عقب بکشد.تجلی به عنوان کاهش عملکرد پیش بینی شده.برای کاهش چنین تأثیراتی ، پزشکان می توانند از تکنیک های کاهش ابعاد استفاده کنند.مقاله حاضر یک رویکرد تصمیم گیری نظری برای کاهش ابعاد برای مدیریت دارایی ساختاری را تشکیل می دهد.در این رویکرد ، هدف این است که هزینه های نادرست طبقه بندی را به حداقل برساند ، زیرا ابعاد کاهش می یابد و ممکن است اطلاعات تبعیض آمیز از بین برود.این فرمولاسیون به عنوان یک مشکل ویژه مقادیر ساخته شده است ، با جدایی بین کلاس ها با توجه به هزینه نادرست طبقه بندی آنها در هنگام در نظر گرفتن در زمینه یک فرایند تصمیم گیری.این رویکرد با استفاده از یک مطالعه موردی مصنوعی نشان داده شده است.