論文の概要: Knowledge-guided Self-supervised Learning for estimating River-Basin Characteristics

• arxiv url: http://arxiv.org/abs/2109.06429v1
• Date: Tue, 14 Sep 2021 04:38:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 03:06:11.577353
• Title: Knowledge-guided Self-supervised Learning for estimating River-Basin Characteristics
• Title（参考訳）: 河岸特性推定のための知識誘導型自己教師付き学習
• Authors: Rahul Ghosh, Arvind Renganathan, Ankush Khandelwal, Xiaowei Jia, Xiang Li, John Neiber, Chris Duffy, Vipin Kumar
• Abstract要約: 本稿では,知識誘導型自己教師型学習アルゴリズムを用いて,流域特性を推定する逆モデルを提案する。 CAMELSデータセットを用いて本モデルの評価を行い,測定の不確実性を低減する能力について検証した。
• 参考スコア（独自算出の注目度）: 21.692056111111476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning is being extensively used in hydrology, especially streamflow prediction of basins/watersheds. Basin characteristics are essential for modeling the rainfall-runoff response of these watersheds and therefore data-driven methods must take into account this ancillary characteristics data. However there are several limitations, namely uncertainty in the measured characteristics, partially missing characteristics for some of the basins or unknown characteristics that may not be present in the known measured set. In this paper we present an inverse model that uses a knowledge-guided self-supervised learning algorithm to infer basin characteristics using the meteorological drivers and streamflow response data. We evaluate our model on the the CAMELS dataset and the results validate its ability to reduce measurement uncertainty, impute missing characteristics, and identify unknown characteristics.
• Abstract（参考訳）: 機械学習は水文学、特に流域や流域の流量予測に広く使われている。 流域特性は流域の降雨応答のモデル化に不可欠であり,データ駆動型手法では,この漸近的特性を考慮に入れなければならない。 しかし、測定された特徴の不確実性、一部の盆地の特徴の欠如、既知の測定された集合に存在しない可能性のある未知の特性など、いくつかの制限がある。 本稿では,知識誘導型自己教師付き学習アルゴリズムを用いて,気象ドライバとストリームフロー応答データを用いて盆地特性を推定する逆モデルを提案する。 ラクダデータセットのモデルを評価し,測定の不確かさを低減し,欠落特性を誘発し,未知の特性を同定する能力を検証する。

関連論文リスト

• Accuracy on the wrong line: On the pitfalls of noisy data for out-of-distribution generalisation [70.36344590967519]
  ノイズの多いデータやニュアンスの特徴は,その正確さを損なうのに十分であることを示す。 ノイズの多いデータとノイズのある特徴を持つ合成データセットと実データセットの両方で、この現象を実証する。
  論文  参考訳（メタデータ） (2024-06-27T09:57:31Z)
• Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
  特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。 これにより、ランドマークの種類は両方のソースから観測できなければならない。 車両軌道推定のための動的重み付き因子グラフモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-13T12:44:14Z)
• Uncertainty Quantification in Inverse Models in Hydrology [9.020366051310384]
  本研究では,ストリームフローと気象データから物理特性を復元する知識誘導確率逆モデリング手法を提案する。 我々は,河川流域特性を推定するための最先端の逆モデルと比較した。 我々のフレームワークはまた、逆モデルとフォワードモデルの両方の不確実性を定量化できるため、説明可能性の向上も提供する。
  論文  参考訳（メタデータ） (2023-10-03T16:39:21Z)
• Generalization with Reverse-Calibration of Well and Seismic Data Using Machine Learning Methods for Complex Reservoirs Predicting During Early-Stage Geological Exploration Oil Field [0.0]
  本研究の目的は, 研究領域に広がる炭化水素貯水池の確率を予測するための自律的アプローチを開発し, 適用することである。 この手法は二項分類の問題に機械学習アルゴリズムを用いる。 地震波の属性は予測器として使用される。
  論文  参考訳（メタデータ） (2023-04-06T13:09:33Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Watermarking for Out-of-distribution Detection [76.20630986010114]
  Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。 本稿では,透かしという一般的な手法を提案する。 我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
  論文  参考訳（メタデータ） (2022-10-27T06:12:32Z)
• Probabilistic Inverse Modeling: An Application in Hydrology [5.221546270391291]
  本研究では,頑健な流域特性を再構築可能な確率的逆モデルフレームワークを提案する。 より説明可能な逆モデルの構築,不確実性推定,堅牢性という2つの側面に対処する。
  論文  参考訳（メタデータ） (2022-10-12T14:00:37Z)
• Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors [71.79984112148865]
  本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。 本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
  論文  参考訳（メタデータ） (2022-10-04T17:27:29Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• Leveraging Evidential Deep Learning Uncertainties with Graph-based Clustering to Detect Anomalies [1.525943491541265]
  本稿では,自動識別システム(AIS)データを用いた船舶のクラスタ軌道に対するグラフベーストラフィック表現手法を提案する。 本稿では,深層学習(DL)に基づく不確実性推定を海洋異常の検出に利用することを提案する。
  論文  参考訳（メタデータ） (2021-07-04T06:31:59Z)
• Uncertainty Estimation with Deep Learning for Rainfall-Runoff Modelling [4.080450230687111]
  不確実性推定は水文予測に不可欠である。 深層学習では正確で正確で確実な不確実性推定が可能であることを示す。
  論文  参考訳（メタデータ） (2020-12-15T20:52:19Z)

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。