論文の概要: VConstruct: Filling Gaps in Chl-a Data Using a Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2101.10260v1
• Date: Mon, 25 Jan 2021 17:49:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 01:26:34.441993
• Title: VConstruct: Filling Gaps in Chl-a Data Using a Variational Autoencoder
• Title（参考訳）: VConstruct:変分オートエンコーダを用いたChl-aデータのギャップ充填
• Authors: Matthew Ehrler and Neil Ernst
• Abstract要約: 変分オートエンコーダ(VAE)を用いたクロロフィルaデータの再構成のための機械学習手法を提案する。 私達の正確さの結果はDINEOFより競争ですが、わずかに正確ではないです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remote sensing of Chlorophyll-a is vital in monitoring climate change. Chlorphyll-a measurements give us an idea of the algae concentrations in the ocean, which lets us monitor ocean health. However, a common problem is that the satellites used to gather the data are commonly obstructed by clouds and other artifacts. This means that time series data from satellites can suffer from spatial data loss. There are a number of algorithms that are able to reconstruct the missing parts of these images to varying degrees of accuracy, with Data INterpolating Empirical Orthogonal Functions (DINEOF) being the current standard. However, DINEOF is slow, suffers from accuracy loss in temporally homogenous waters, reliant on temporal data, and only able to generate a single potential reconstruction. We propose a machine learning approach to reconstruction of Chlorophyll-a data using a Variational Autoencoder (VAE). Our accuracy results to date are competitive with but slightly less accurate than DINEOF. We show the benefits of our method including vastly decreased computation time and ability to generate multiple potential reconstructions. Lastly, we outline our planned improvements and future work.
• Abstract（参考訳）: クロロフィルaのリモートセンシングは気候変動のモニタリングに不可欠である。 Chlorphyll-a測定は、海中の藻類濃度のアイデアを与え、海洋の健康を監視することができます。 しかし、データ収集に使用される衛星が雲やその他のアーティファクトによって妨害されるのが一般的な問題である。 これは衛星からの時系列データが空間的データ損失に苦しむことを意味する。 これらの画像の欠落部分を様々な精度で再構成できるアルゴリズムは数多く存在し、データ補完による経験的直交関数(dineof)が現在の標準となっている。 しかし、DINEOFは遅く、時間的に均質な水中での精度の低下に悩まされ、時間的データに依存し、単一の潜在的再構成しか生成できない。 可変オートエンコーダ(VAE)を用いたクロロフィルaデータの再構築のための機械学習手法を提案する。 私達の正確さの結果はDINEOFより競争ですが、わずかに正確ではないです。 提案手法の利点として,計算時間を大幅に短縮し,複数の潜在的再構成を生成できることを挙げる。 最後に、計画されている改善と今後の作業の概要を述べます。

関連論文リスト

• DIRESA, a distance-preserving nonlinear dimension reduction technique based on regularized autoencoders [0.0]
  気象学では、過去のデータセットで類似した気象パターンやアナログを見つけることは、データの同化、予測、後処理に有用である。 気候科学において、歴史的および気候予測データのアナログは帰属研究や影響研究に使用される。 本稿では,オートエンコーダ(AE)ニューラルネットワークを用いた次元削減手法を提案し,これらのデータセットを圧縮し,解釈可能な圧縮潜在空間で探索を行う。
  論文  参考訳（メタデータ） (2024-04-28T20:54:57Z)
• SERT: A Transfomer Based Model for Spatio-Temporal Sensor Data with Missing Values for Environmental Monitoring [0.0]
  センサーから収集されたデータは、故障した機器やメンテナンス上の問題によって、しばしば値が失われる。 計算を必要とせず、欠落したデータを処理しながら、多変量時間予測を行うことのできる2つのモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-05T17:06:23Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Deep Graph Stream SVDD: Anomaly Detection in Cyber-Physical Systems [17.373668215331737]
  本稿では,異常検出のためのディープグラフベクトルデータ記述法(SVDD)を提案する。 まず、時間的埋め込みにおけるデータ監視の短絡パターンと長絡パターンの両方を保存するために、トランスフォーマーを使用します。 センサタイプに応じてこれらの埋め込みをクラスタリングし、各種センサ間の接続性の変化を推定し、新しい重み付きグラフを構築する。
  論文  参考訳（メタデータ） (2023-02-24T22:14:39Z)
• Comparison of machine learning algorithms for merging gridded satellite and earth-observed precipitation data [7.434517639563671]
  我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。 その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
  論文  参考訳（メタデータ） (2022-12-17T09:39:39Z)
• Enhanced prediction accuracy with uncertainty quantification in monitoring CO2 sequestration using convolutional neural networks [3.3336265497547135]
  同時量子回帰(SQR)は、ピンボール損失によってニューラルネットワークのターゲット変数の条件分布全体を推定することができる。 本研究では,不確実性をサンプリングし,予測精度をさらに向上する新しいデータ拡張手法を提案する。 開発された手法は、エネルギー省によって作成され、カリフォルニア州のCO2捕獲隔離プロジェクトに基づいて、Kimberlinaの合成データに基づいて試験される。
  論文  参考訳（メタデータ） (2022-12-08T21:25:20Z)
• DynImp: Dynamic Imputation for Wearable Sensing Data Through Sensory and Temporal Relatedness [78.98998551326812]
  従来の手法では、データの時系列ダイナミクスと、異なるセンサーの特徴の関連性の両方をめったに利用していない、と我々は主張する。 我々はDynImpと呼ばれるモデルを提案し、特徴軸に沿って近接する隣人と異なる時間点の欠如を扱う。 本手法は, 関連センサのマルチモーダル性特性を活かし, 履歴時系列のダイナミックスから学習し, 極端に欠落した状態でデータを再構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-26T21:59:14Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Adaptive Machine Learning for Time-Varying Systems: Low Dimensional Latent Space Tuning [91.3755431537592]
  本稿では,時間変化システムを対象とした適応機械学習手法を提案する。 我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。 そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
  論文  参考訳（メタデータ） (2021-07-13T16:05:28Z)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。