論文の概要: Online non-convex learning for river pollution source identification
- arxiv url: http://arxiv.org/abs/2005.11065v2
- Date: Fri, 11 Mar 2022 03:15:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 08:50:20.963942
- Title: Online non-convex learning for river pollution source identification
- Title（参考訳）: 河川汚染源同定のためのオンライン非凸学習
- Authors: Wenjie Huang, Jing Jiang, Xiao Liu
- Abstract要約: 新たなオンライン学習アルゴリズムが開発され, 重要な環境応用が検討されている。
この問題は、非有界かつ適応的な識別問題として定式化することができる。
ポイントモジュールからのエスケープとマルチスタート設定を導出し、推定をさらに改善する。
- 参考スコア（独自算出の注目度）: 14.112373211141007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, novel gradient-based online learning algorithms are developed
to investigate an important environmental application: real-time river
pollution source identification, which aims at estimating the released mass,
location, and time of a river pollution source based on downstream sensor data
monitoring the pollution concentration. The pollution is assumed to be
instantaneously released once. The problem can be formulated as a non-convex
loss minimization problem in statistical learning, and our online algorithms
have vectorized and adaptive step sizes to ensure high estimation accuracy in
three dimensions which have different magnitudes. In order to keep the
algorithm from stucking to the saddle points of non-convex loss, the escaping
from saddle points module and multi-start setting are derived to further
improve the estimation accuracy by searching for the global minimizer of the
loss functions. This can be shown theoretically and experimentally as the
$O(N)$ local regret of the algorithms and the high probability cumulative
regret bound $O(N)$ under a particular error bound condition in loss functions.
A real-life river pollution source identification example shows the superior
performance of our algorithms compared to existing methods in terms of
estimation accuracy. Managerial insights for the decision maker to use the
algorithms are also provided.
- Abstract（参考訳）: 本研究では, 河川汚染源の流出量, 場所, 時間の推定を目的としたリアルタイム河川汚染源同定手法として, 河川汚染濃度をモニタリングする下流センサデータに基づいて, 河川汚染源の放出質量, 位置, 時刻を推定することを目的とした, 重要な環境応用について検討する。
汚染はすぐに放出されると考えられている。
この問題は統計的学習における非凸損失最小化問題として定式化することができ、我々のオンラインアルゴリズムは、異なる大きさの3次元において高い推定精度を確保するためにベクトル化され適応的なステップサイズを有する。
非凸損失のサドル点にアルゴリズムが立ち往生しないようにするため、サドル点モジュールからの脱出とマルチスタート設定を導出し、損失関数のグローバル最小化を求めることにより、推定精度をさらに向上させる。
これは理論上、実験的に、アルゴリズムの局所的後悔の$O(N)$と、損失関数の特定の誤差境界条件下での高い確率累積的後悔の$O(N)$として示される。
実生活における河川汚染源同定例は, 推定精度の点で既存の手法と比較して, アルゴリズムの優れた性能を示す。
意思決定者がアルゴリズムを使用するための管理的洞察も提供される。
関連論文リスト
- An Efficient Outlier Detection Algorithm for Data Streaming [51.56874851156008]
Local Outlier Factor (LOF)アルゴリズムのような従来の異常検出手法は、リアルタイムデータと競合する。
本稿では,オンライン異常検出におけるLOFアルゴリズムの効率向上のための新しい手法を提案し,EILOFアルゴリズムを提案する。
EILOFアルゴリズムは計算コストを大幅に削減するだけでなく、加算点数が増加すると検出精度を体系的に改善する。
論文 参考訳（メタデータ） (2025-01-02T05:12:43Z) - RMS: Redundancy-Minimizing Point Cloud Sampling for Real-Time Pose Estimation [13.163076804805732]
本稿では,3次元点群内の冗長性を最小化する RMS という新しい点群サンプリング手法を提案する。
RMSをポイントベースKISS-ICPと機能ベースLOAMオドメトリーパイプラインに統合する。
実験により、RMSは高度で幾何学的に生成された設定において、最先端の手法よりも高速、圧縮、精度が優れていることが示された。
論文 参考訳（メタデータ） (2023-12-12T14:55:49Z) - Window-Based Distribution Shift Detection for Deep Neural Networks [21.73028341299301]
本研究では,データストリームを受信したディープニューラルネットワーク(DNN)の正常動作をモニタリングする場合について検討する。
選択的予測原理を用いて,DNNの分布偏差検出手法を提案する。
我々の新しい検出法は、最先端技術よりもかなり少ない時間を消費しながら、オンパー以上の性能を発揮する。
論文 参考訳（メタデータ） (2022-10-19T21:27:25Z) - Super-resolution GANs of randomly-seeded fields [68.8204255655161]
ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。
このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。
提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
論文 参考訳（メタデータ） (2022-02-23T18:57:53Z) - Online estimation and control with optimal pathlength regret [52.28457815067461]
オンライン学習アルゴリズムを設計する際の自然なゴールは、入力シーケンスの時間的変動の観点から、アルゴリズムの後悔を束縛することである。
OCOや盗賊など、さまざまなオンライン学習問題に対して、データ依存の「病的」後悔境界が最近取得されている。
論文 参考訳（メタデータ） (2021-10-24T22:43:15Z) - Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge
Computing Enabled Smart Greenhouse [5.716360276016705]
エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。
従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
論文 参考訳（メタデータ） (2021-07-28T13:32:12Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Deep Unfolding of Iteratively Reweighted ADMM for Wireless RF Sensing [22.467957268653077]
我々は,MIMO無線レーダを用いた層状材料構造中の材料欠陥の検出に対処する。
多くのシナリオでは、階層構造に挑戦する欠陥の数は、低ランク構造としてモデル化できる。
論文 参考訳（メタデータ） (2021-06-07T15:00:33Z) - Learning Sampling Policy for Faster Derivative Free Optimization [100.27518340593284]
ランダムサンプリングではなく,ZO最適化における摂動を生成するためのサンプリングポリシを学習する,新たな強化学習ベースのZOアルゴリズムを提案する。
その結果,ZO-RLアルゴリズムはサンプリングポリシを学習することでZO勾配の分散を効果的に低減し,既存のZOアルゴリズムよりも高速に収束できることが示唆された。
論文 参考訳（メタデータ） (2021-04-09T14:50:59Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - A Graduated Filter Method for Large Scale Robust Estimation [32.08441889054456]
そこで我々は,ローカル・ミニマから逃れる強力な能力を有する,ロバストな推定のための新しい解法を提案する。
我々のアルゴリズムは、多くのローカルなミニマが不足している問題を解くために、最先端の手法に基づいて構築されている。
論文 参考訳（メタデータ） (2020-03-20T02:51:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。