論文の概要: Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations
- arxiv url: http://arxiv.org/abs/2111.02823v1
- Date: Wed, 3 Nov 2021 03:50:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-06 04:15:45.678905
- Title: Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations
- Title（参考訳）: 嵐サージシミュレーションにおける時空間欠落データに対する畳み込み生成逆インプテーションネットワーク
- Authors: Ehsan Adeli, Jize Zhang and Alexandros A. Taflanidis
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 86.5302150777089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imputation of missing data is a task that plays a vital role in a number of
engineering and science applications. Often such missing data arise in
experimental observations from limitations of sensors or post-processing
transformation errors. Other times they arise from numerical and algorithmic
constraints in computer simulations. One such instance and the application
emphasis of this paper are numerical simulations of storm surge. The simulation
data corresponds to time-series surge predictions over a number of save points
within the geographic domain of interest, creating a spatio-temporal imputation
problem where the surge points are heavily correlated spatially and temporally,
and the missing values regions are structurally distributed at random. Very
recently, machine learning techniques such as neural network methods have been
developed and employed for missing data imputation tasks. Generative
Adversarial Nets (GANs) and GAN-based techniques have particularly attracted
attention as unsupervised machine learning methods. In this study, the
Generative Adversarial Imputation Nets (GAIN) performance is improved by
applying convolutional neural networks instead of fully connected layers to
better capture the correlation of data and promote learning from the adjacent
surge points. Another adjustment to the method needed specifically for the
studied data is to consider the coordinates of the points as additional
features to provide the model more information through the convolutional
layers. We name our proposed method as Convolutional Generative Adversarial
Imputation Nets (Conv-GAIN). The proposed method's performance by considering
the improvements and adaptations required for the storm surge data is assessed
and compared to the original GAIN and a few other techniques. The results show
that Conv-GAIN has better performance than the alternative methods on the
studied data.
- Abstract（参考訳）: 欠落したデータの計算は、多くの工学と科学の応用において重要な役割を果たすタスクである。
このような欠落したデータは、センサーの限界や後処理の変換エラーから実験的に観測されることが多い。
コンピュータシミュレーションにおける数値的制約やアルゴリズム的制約から生じることもある。
このような事例と応用例の1つは,嵐サージの数値シミュレーションである。
シミュレーションデータは、関心領域内の多くの保存点に関する時系列サージ予測に対応し、サージ点が空間的および時間的に強く相関し、欠落値領域がランダムに構造的に分布する時空間的インプテーション問題を生成する。
近年、ニューラルネットワーク法などの機械学習手法が開発され、データインプテーションタスクの欠如に利用されている。
GAN(Generative Adversarial Nets)とGANベースの技術は、教師なし機械学習手法として特に注目を集めている。
本研究では,完全連結層に代えて畳み込みニューラルネットワークを適用し,データ相関の把握と隣接サージ点からの学習を促進することにより,生成的逆向的インプテーションネット(gain)の性能を向上させる。
研究データに特に必要とされる方法のもう一つの調整は、畳み込み層を通してモデルにより多くの情報を提供する追加の特徴として点の座標を考えることである。
提案手法をConv-GAIN(Convolutional Generative Adversarial Imputation Nets)と呼ぶ。
ストームサージデータに必要な改良と適応を考慮し,本手法の性能評価を行い,本手法と他の手法との比較を行った。
その結果,Conv-GAINは研究データに対する代替手法よりも優れた性能を示した。
関連論文リスト
- Continuous Field Reconstruction from Sparse Observations with Implicit
Neural Networks [11.139052252214917]
この研究は、暗黙の神経表現を用いて物理場の連続的な表現を学ぶ新しいアプローチを示す。
実験により,提案手法は最近のINR法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-01-21T22:18:29Z) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。
既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。
本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
論文 参考訳（メタデータ） (2023-05-30T03:55:37Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - 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 Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Cross-Validation and Uncertainty Determination for Randomized Neural
Networks with Applications to Mobile Sensors [0.0]
極端学習マシンは、限られたコンピュータリソースとグリーン機械学習の下で教師付き学習を行うための魅力的で効率的な方法を提供する。
このようなネットワークと回帰手法による教師あり学習について,一般化と予測誤差の整合性および境界性の観点から考察した。
論文 参考訳（メタデータ） (2021-01-06T12:28:06Z) - Event-Based Backpropagation can compute Exact Gradients for Spiking
Neural Networks [0.0]
スパイクニューラルネットワークは、離散スパイクを用いたアナログ計算とイベントベースの通信を組み合わせる。
この研究は、連続時間スパイクニューラルネットワークと一般損失関数のバックプロパゲーションアルゴリズムを初めて導いた。
EventProp経由で計算した勾配を用いて,スパイク時間あるいは電圧に基づく損失関数を用いて,Yin-YangおよびMNISTデータセット上のネットワークをトレーニングし,競合性能を報告する。
論文 参考訳（メタデータ） (2020-09-17T15:45:00Z)
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。