Fugu-MT 論文翻訳(概要): Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations

論文の概要: Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations

arxiv url: http://arxiv.org/abs/2104.06297v1
Date: Tue, 13 Apr 2021 15:43:50 GMT
ステータス: 処理完了
システム内更新日: 2021-04-14 13:14:01.953196
Title: Adversarial autoencoders and adversarial LSTM for improved forecasts of urban air pollution simulations
Title（参考訳）: 都市大気汚染シミュレーションの予測改善のためのadversarial autoencoderとadversarial lstm
Authors: C\'esar Quilodr\'an-Casas, Rossella Arcucci, Laetitia Mottet, Yike Guo, Christopher Pain
Abstract要約: 本稿では,深層学習による都市大気汚染の計算流体力学(cfd)シミュレーションの予測を改善する手法を提案する。基礎となる物理モデルからの予測の発散を減らすことを目的としている。研究エリアはサウスロンドンにあり、混雑した交通ジャンクション内の3次元速度ベクトルを含む。
参考スコア（独自算出の注目度）: 9.019381904999001
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents an approach to improve the forecast of computational fluid dynamics (CFD) simulations of urban air pollution using deep learning, and most specifically adversarial training. This adversarial approach aims to reduce the divergence of the forecasts from the underlying physical model. Our two-step method integrates a Principal Components Analysis (PCA) based adversarial autoencoder (PC-AAE) with adversarial Long short-term memory (LSTM) networks. Once the reduced-order model (ROM) of the CFD solution is obtained via PCA, an adversarial autoencoder is used on the principal components time series. Subsequentially, a Long Short-Term Memory network (LSTM) is adversarially trained on the latent space produced by the PC-AAE to make forecasts. Once trained, the adversarially trained LSTM outperforms a LSTM trained in a classical way. The study area is in South London, including three-dimensional velocity vectors in a busy traffic junction.
Abstract（参考訳）: 本稿では,深層学習による都市大気汚染の計算流体力学(cfd)シミュレーションの予測と,特に逆行訓練の改善について述べる。この敵対的アプローチは、基礎となる物理モデルから予測の発散を減らすことを目的としている。本手法では,主成分分析(PCA)をベースとした対数自己エンコーダ(PC-AAE)と対数長短期メモリ(LSTM)ネットワークを統合した。 CFD溶液の減階モデル(ROM)がPCAを介して取得されると、主成分時系列に対向オートエンコーダが使用される。その後、Long Short-Term Memory Network (LSTM) はPC-AAEが生成する潜伏空間上で逆向きにトレーニングを行い、予測を行う。訓練されたLSTMは、古典的な方法で訓練されたLSTMよりも優れている。研究エリアは南ロンドンにあり、交通ジャンクション内の3次元速度ベクトルを含む。

関連論文リスト

Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文参考訳（メタデータ） (2024-11-01T00:37:00Z)
Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
論文参考訳（メタデータ） (2024-05-24T14:20:09Z)
Machine Learning based Prediction of Ditching Loads [0.0]
機械学習を用いて航空機のヒューズラグにおける動的グルーピング負荷の予測手法を提案する。採用した学習手順は、畳み込みオートエンコーダ(CAE)を用いた空間荷重の再構築と、その後の部分におけるこれらの負荷の過渡的進化という2つの部分に分けられる。
論文参考訳（メタデータ） (2024-02-16T14:30:46Z)
Short-term Precipitation Forecasting in The Netherlands: An Application of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文参考訳（メタデータ） (2023-12-02T18:13:45Z)
Over-the-Air Federated Learning and Optimization [52.5188988624998]
エッジ・ザ・エア計算(AirComp)によるフェデレーション学習(FL)に焦点を当てる。本稿では,AirComp ベースの FedAvg (AirFedAvg) アルゴリズムの凸および非凸条件下での収束について述べる。エッジデバイス(モデル、勾配、モデル差など)で送信できるローカルアップデートの種類によって、AirFedAvgで送信するとアグリゲーションエラーが発生する可能性がある。さらに、より実用的な信号処理方式を検討し、通信効率を改善し、これらの信号処理方式によって引き起こされるモデル集約誤差の異なる形式に収束解析を拡張する。
論文参考訳（メタデータ） (2023-10-16T05:49:28Z)
Traj-MAE: Masked Autoencoders for Trajectory Prediction [69.7885837428344]
軌道予測は、危険を予測して信頼性の高い自動運転システムを構築する上で重要な課題である。本稿では,運転環境におけるエージェントの複雑な動作をよりよく表現する,軌道予測のための効率的なマスク付きオートエンコーダを提案する。複数エージェント設定と単一エージェント設定の両方の実験結果から,Traj-MAEが最先端手法と競合する結果が得られることが示された。
論文参考訳（メタデータ） (2023-03-12T16:23:27Z)
UAV Path Planning Employing MPC- Reinforcement Learning Method for search and rescue mission [0.0]
複雑で不確実な環境での無人航空路計画(UA V)の課題に取り組む。本稿では,Long-Short-Term Memory (LSTM) ネットワークに基づくモデル予測制御(MPC)を,Deep Deterministic Policy Gradientアルゴリズムに統合して設計する。
論文参考訳（メタデータ） (2023-02-21T13:39:40Z)
Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文参考訳（メタデータ） (2022-05-02T12:23:55Z)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)
Adversarially trained LSTMs on reduced order models of urban air pollution simulations [9.85302678323321]
本稿では,深層学習による大気汚染予測を計算流体力学シミュレーションで改善する手法を提案する。研究エリアはロンドンにあり、交通渋滞のジャンクションを再現する速度と集中トレーサが含まれている。
論文参考訳（メタデータ） (2021-01-05T15:02:18Z)
AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting [4.415977307120616]
本稿では,首都圏の交通量を予測するための適応型アンサンブル(AdaEnsemble)学習手法を提案する。これは、変動モード分解(VMD)、季節的自己回帰統合移動平均(SARIMA)、多層パーセプトロンネットワーク(MLP)、長期記憶(LSTM)ネットワークの相補的な利点を組み合わせたものである。提案したAdaEnsembleラーニングアプローチは,最先端モデルと比較して最高の予測性能を持つだけでなく,深セン地下鉄における歴史的乗客フローデータに基づいて,最も有望かつ堅牢であると考えられる。
論文参考訳（メタデータ） (2020-02-18T14:18:53Z)

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。