Fugu-MT 論文翻訳(概要): Deep Gaussian Processes for Air Quality Inference

論文の概要: Deep Gaussian Processes for Air Quality Inference

arxiv url: http://arxiv.org/abs/2211.10174v1
Date: Fri, 18 Nov 2022 11:42:42 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 14:15:52.034652
Title: Deep Gaussian Processes for Air Quality Inference
Title（参考訳）: 大気質推定のための深いガウス過程
Authors: Aadesh Desai, Eshan Gujarathi, Saagar Parikh, Sachin Yadav, Zeel Patel, Nipun Batra
Abstract要約: 大気汚染は年間約700万人が死亡し、約40億人が有害な大気汚染にさらされている。この研究は、ディープガウスモデル(DGP)が推論のタスクの有望なモデルであることを証明している。
参考スコア（独自算出の注目度）: 3.2687545875380186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Air pollution kills around 7 million people annually, and approximately 2.4 billion people are exposed to hazardous air pollution. Accurate, fine-grained air quality (AQ) monitoring is essential to control and reduce pollution. However, AQ station deployment is sparse, and thus air quality inference for unmonitored locations is crucial. Conventional interpolation methods fail to learn the complex AQ phenomena. This work demonstrates that Deep Gaussian Process models (DGPs) are a promising model for the task of AQ inference. We implement Doubly Stochastic Variational Inference, a DGP algorithm, and show that it performs comparably to the state-of-the-art models.
Abstract（参考訳）: 大気汚染は年間約700万人が死亡し、約40億人が有害な大気汚染にさらされている。大気汚染の制御と低減には、精密できめ細かい大気質監視(AQ)が不可欠である。しかし、AQ局の配備は少ないため、監視されていない場所の空気質の推測が重要である。従来の補間法は複雑なAQ現象を学ばない。この研究は、ディープガウス過程モデル(DGP)がAQ推論のタスクの有望なモデルであることを示す。我々はDGPアルゴリズムであるDouubly Stochastic Variational Inferenceを実装し、最先端のモデルに適合して動作することを示す。

関連論文リスト

Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
論文参考訳（メタデータ） (2024-08-01T17:59:59Z)
Variable importance measure for spatial machine learning models with application to air pollution exposure prediction [2.633085745593072]
本研究の目的は, 大気汚染の健康影響を学習する能力を最大限に活用するために, データのない場所での被験者の大気汚染の予測を行うことである。これらの課題を、米国国家PM2.5亜種規制データの硫黄(S)と、シアトルの交通関連大気汚染データセットの超微粒子(UFP)の2つのデータセットで解決する。私たちの重要な貢献は、幅広いモデルの解釈可能かつ同等の尺度に導かれる、変数の重要度に対する一対一のアプローチである。
論文参考訳（メタデータ） (2024-06-04T05:51:36Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
Discretized Linear Regression and Multiclass Support Vector Based Air Pollution Forecasting Technique [0.0]
本稿では,クラウドコンピューティング環境における大気汚染の監視と制御を行うIoT(Internet of Things)システムを提案する。インドにおける大気質データを用いた実験により,提案したLR-MSV法の優れた性能が明らかにされた。
論文参考訳（メタデータ） (2022-11-28T06:51:59Z)
Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文参考訳（メタデータ） (2022-11-20T06:46:35Z)
AT-DDPM: Restoring Faces degraded by Atmospheric Turbulence using Denoising Diffusion Probabilistic Models [64.24948495708337]
大気の乱流は、ぼやけや幾何学的歪みを導入して画質を著しく劣化させる。 CNNベースやGANインバージョンベースなど,深層学習に基づく単一画像大気乱流低減手法が提案されている。 Denoising Diffusion Probabilistic Models (DDPMs) は、その安定したトレーニングプロセスと高品質な画像を生成する能力により、最近注目を集めている。
論文参考訳（メタデータ） (2022-08-24T03:13:04Z)
AIREX: Neural Network-based Approach for Air Quality Inference in Unmonitored Cities [0.491574468325115]
監視局は、継続的に空気の質に関する情報を取得するために設置されているが、すべての地域をカバーするわけではない。既存の方法は、監視対象都市のみの空気質を推定することを目的としており、監視対象都市では空気質を推定しない。本研究では,未モニタリング都市における大気質を正確に推定するためのニューラルネットワークベースのアプローチAIREXを提案する。
論文参考訳（メタデータ） (2021-08-16T14:41:14Z)
HighAir: A Hierarchical Graph Neural Network-Based Air Quality Forecasting Method [8.86417830514213]
HighAirは階層型グラフニューラルネットワークに基づく空気質予測手法である。都市レベルのグラフと駅レベルのグラフを階層的な観点から構築する。ヤンツェ川デルタ都市群のデータセット上で、HighAirと最新の空気品質予測方法を比較します。
論文参考訳（メタデータ） (2021-01-12T02:31:14Z)
Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
論文参考訳（メタデータ） (2020-07-23T13:32:47Z)
AirRL: A Reinforcement Learning Approach to Urban Air Quality Inference [7.238981927352622]
都市大気汚染は公衆衛生を脅かす主要な環境問題となっている。課題の1つは、空気質推論のためのいくつかの関連するステーションを効果的に選択する方法である。都市大気質推定のための強化学習に基づく新しいモデルを提案する。
論文参考訳（メタデータ） (2020-03-27T02:04:00Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。