論文の概要: Detecting Distributional Differences in Labeled Sequence Data with Application to Tropical Cyclone Satellite Imagery

• arxiv url: http://arxiv.org/abs/2202.02253v1
• Date: Fri, 4 Feb 2022 17:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 17:43:12.601793
• Title: Detecting Distributional Differences in Labeled Sequence Data with Application to Tropical Cyclone Satellite Imagery
• Title（参考訳）: ラベル付きシーケンスデータの分布差の検出と熱帯サイクロン衛星画像への応用
• Authors: Trey McNeely, Galen Vincent, Ann B. Lee, Rafael Izbicki, and Kimberly M. Wood
• Abstract要約: 本稿では,時系列画像と連立イベントラベルの関連性に関する新しい非パラメトリックテストを提案する。 我々はニューラルネットワークを利用して、急激な変化イベントのリードアップを表すTC対流の構造的進化のモードを推測する。 提案手法は, 急激な拡大リスクを伴う赤外線画像の古型を同定する。
• 参考スコア（独自算出の注目度）: 3.9065205774219343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our goal is to quantify whether, and if so how, spatio-temporal patterns in tropical cyclone (TC) satellite imagery signal an upcoming rapid intensity change event. To address this question, we propose a new nonparametric test of association between a time series of images and a series of binary event labels. We ask whether there is a difference in distribution between (dependent but identically distributed) 24-h sequences of images preceding an event versus a non-event. By rewriting the statistical test as a regression problem, we leverage neural networks to infer modes of structural evolution of TC convection that are representative of the lead-up to rapid intensity change events. Dependencies between nearby sequences are handled by a bootstrap procedure that estimates the marginal distribution of the label series. We prove that type I error control is guaranteed as long as the distribution of the label series is well-estimated, which is made easier by the extensive historical data for binary TC event labels. We show empirical evidence that our proposed method identifies archetypes of infrared imagery associated with elevated rapid intensification risk, typically marked by deep or deepening core convection over time. Such results provide a foundation for improved forecasts of rapid intensification.
• Abstract（参考訳）: 私たちの目標は、熱帯サイクロン(tc)衛星画像における時空間パターンが、今後の急速な強度変化を示唆するかどうかを定量化することです。 そこで本研究では,時系列画像と連立イベントラベルの関連性に関する非パラメータテストを提案する。 我々は,イベントに先立つ画像の24時間系列とイベントに先立つ画像の分布に差があるかどうかを問う。 統計的検定を回帰問題として書き直すことで、ニューラルネットワークを利用して、急激な変化イベントへのリードアップを表すTC対流の構造的進化のモードを推測する。 近傍のシーケンス間の依存関係は、ラベル系列の限界分布を推定するブートストラップ手順によって処理される。 我々は,ラベル系列の分布がよく見積もられている限り,タイプIエラー制御が保証されていることを証明した。 提案手法は, 時間経過とともにコア対流の深層化や深層化を特徴とし, 高度化リスクの増大に伴う赤外線画像のアーチタイプを同定する経験的証拠を示す。 このような結果は、急速な強化の予測を改善する基盤となる。

関連論文リスト

• Causal Discovery-Driven Change Point Detection in Time Series [32.424281626708336]
  時系列における変化点検出は、時系列の確率分布が変化する時間を特定する。 実践的な応用では、時系列の特定の構成要素にのみ興味を持ち、その分布の急激な変化を探求する。
  論文  参考訳（メタデータ） (2024-07-10T00:54:42Z)
• A Study of Posterior Stability for Time-Series Latent Diffusion [59.41969496514184]
  まず,後部崩壊により可変オートエンコーダ(VAE)への潜伏拡散が減少し,表現性が低下することを示す。 次に、入力変数に対するリカレントデコーダの感度を定量化する、依存性測度という原則的手法を導入する。 理論的および実証的研究に基づいて,潜伏拡散を延長し,後部が安定な新しい枠組みを導入する。
  論文  参考訳（メタデータ） (2024-05-22T21:54:12Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Implicit neural representation for change detection [15.741202788959075]
  点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。 Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。 本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
  論文  参考訳（メタデータ） (2023-07-28T09:26:00Z)
• 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)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Change Detection from Synthetic Aperture Radar Images via Dual Path Denoising Network [38.78699830610313]
  SAR画像変化検出のためのDual Path Denoising Network (DPDNet)を提案する。 我々は,事前分類に関わるラベルノイズをクリーンにするために,ランダムなラベル伝搬を導入する。 また,特徴表現学習のための特徴的パッチ畳み込みを提案する。
  論文  参考訳（メタデータ） (2022-03-13T01:51:51Z)
• Graph-Augmented Normalizing Flows for Anomaly Detection of Multiple Time Series [12.745860899424532]
  異常検出は、幅広い種類のデータに対して広く研究されているタスクである。 本稿では,異常検出のためのグラフ拡張正規化フロー手法を提案する。 実世界のデータセットで実験を行い、GANFの有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-16T04:42:53Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• Few-Shot Event Detection with Prototypical Amortized Conditional Random Field [8.782210889586837]
  イベント検出は、いくつかのサンプルで新しいイベントタイプを認識する必要がある場合、苦労する傾向がある。 本稿では,タスクを2部タグ付け方式で複数ショットタグ付け問題に変換する統一結合モデルを提案する。 ベンチマークデータセットFewEventで実験を行い、実験結果から、タグ付けに基づく手法は既存のパイプラインやジョイントラーニング手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-12-04T01:11:13Z)
• Learning Monocular Dense Depth from Events [53.078665310545745]
  イベントカメラは、強度フレームではなく、非同期イベントのストリームの形式で輝度を変化させる。 最近の学習に基づくアプローチは、単眼深度予測のようなイベントベースのデータに適用されている。 本稿では,この課題を解決するための繰り返しアーキテクチャを提案し,標準フィードフォワード法よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T12:36:23Z)

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。