論文の概要: Understanding the input-output relationship of neural networks in the time series forecasting radon levels at Canfranc Underground Laboratory

• arxiv url: http://arxiv.org/abs/2102.07616v2
• Date: Mon, 1 Mar 2021 07:11:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 07:18:34.687404
• Title: Understanding the input-output relationship of neural networks in the time series forecasting radon levels at Canfranc Underground Laboratory
• Title（参考訳）: カンフラン地下実験室におけるラドンレベル予測時系列におけるニューラルネットワークの入出力関係の理解
• Authors: I\~naki Rodr\'iguez-Garc\'ia and Miguel C\'ardenas-Montes
• Abstract要約: 暗黒物質直接検出のような地下物理実験は、背景貢献の制御を維持する必要がある。 最大の背景資料の1つは、研究施設を囲む岩石から放出されるラドンである。 ラドンレベルを予測することは、ラドンレベルが最小のときにメンテナンス操作をスケジュールする試みにおいて重要なタスクです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Underground physics experiments such as dark matter direct detection need to keep control of the background contribution. Hosting these experiments in underground facilities helps to minimize certain background sources such as the cosmic rays. One of the largest remaining background sources is the radon emanated from the rocks enclosing the research facility. The radon particles could be deposited inside the detectors when they are opened to perform the maintenance operations. Therefore, forecasting the radon levels is a crucial task in an attempt to schedule the maintenance operations when radon level is minimum. In the past, deep learning models have been implemented to forecast the radon time series at the Canfranc Underground Laboratory (LSC), in Spain, with satisfactory results. When forecasting time series, the past values of the time series are taken as input variables. The present work focuses on understanding the relative contribution of these input variables to the predictions generated by neural networks. The results allow us to understand how the predictions of the time series depend on the input variables. These results may be used to build better predictors in the future.
• Abstract（参考訳）: 暗黒物質直接検出のような地下物理実験は、背景貢献の制御を維持する必要がある。 これらの実験を地下施設で実施することは、宇宙線のような背景源の最小化に役立つ。 最大の背景資料の1つは、研究施設を囲む岩石から放出されるラドンである。 ラドン粒子は、維持作業を行うために開封時に検出器の内部に堆積することができる。 したがって、ラドンレベルが最小の場合にメンテナンス操作をスケジュールしようとする場合、ラドンレベルを予測することは重要なタスクである。 これまで,スペイン・カンフラン地下研究所(LSC)のラドン時系列を良好な結果で予測する深層学習モデルが実施されてきた。 時系列を予測する場合には、時系列の過去の値を入力変数とする。 本研究は,ニューラルネットワークが生成する予測に対する入力変数の相対的寄与を理解することに焦点を当てている。 その結果,時系列の予測が入力変数に依存するかを理解することができた。 これらの結果は、将来より良い予測器を構築するために使われるかもしれない。

関連論文リスト

• Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks [2.147634833794939]
  Crud-induced Power Shift (CIPS) は加圧水炉の運用上の課題である。 本研究は、原子炉固有のキャリブレーションを組み込んだ組立レベルでCIPSインスタンスを予測するためのトップダウンアプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-27T15:04:24Z)
• A probabilistic estimation of remaining useful life from censored time-to-event data [39.58317527488534]
  ボールベアリングの残りの有用寿命(RUL)は、予測維持において重要な役割を果たす。 本稿では,検閲データをサポートする生存分析を用いたRULの確率的推定法を提案する。 我々は、クロスバリデーションを用いたXJTU-SYデータセットにおけるアプローチを実証し、平均絶対誤差(MAE)の観点から、ランダムサバイバルフォレストがニューラルネットワークとニューラルネットワークの両方を一貫して上回っていることを発見した。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Understanding and Mitigating the Label Noise in Pre-training on Downstream Tasks [91.15120211190519]
  本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。 雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T06:18:15Z)
• ProSpire: Proactive Spatial Prediction of Radio Environment Using Deep Learning [14.699706736648823]
  本稿では,プロアクティブな空間予測のアイデアを活用することで,スペクトル共有を可能にする,教師付き深層学習フレームワークProSpireを提案する。 ProSpireの中核となるコンポーネントは、RSSu-netと呼ばれる深層学習に基づく画像から画像への変換手法である。 評価の結果,RSSu-netは信号強度の予測において,絶対誤差が5dBであり,他の手法の平均誤差と同等であることがわかった。
  論文  参考訳（メタデータ） (2023-08-20T07:48:34Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• 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)
• Generalized multiscale feature extraction for remaining useful life prediction of bearings with generative adversarial networks [4.988898367111902]
  ベアリングは産業機械の重要な要素であり、その失敗は不必要なダウンタイムと経済損失につながる可能性がある。 軸受の残りの有効寿命(RUL)を予測する必要がある。 本稿では, 生成逆数ネットワークを用いた新しい一般化されたマルチスケール特徴抽出手法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T07:11:55Z)
• HYDRA: Hypergradient Data Relevance Analysis for Interpreting Deep Neural Networks [51.143054943431665]
  本稿では、深層ニューラルネットワーク(DNN)による予測をトレーニングデータの効果として解釈する高次データ関連分析(HYDRA)を提案する。 HYDRAは、トレーニング軌跡全体を通して、テストデータポイントに対するトレーニングデータの貢献を評価する。 さらに,HyDRAは,データのコントリビューションを正確に推定し,ノイズのあるデータラベルを検出することで,影響関数よりも優れていることを定量的に示す。
  論文  参考訳（メタデータ） (2021-02-04T10:00:13Z)

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。