Fugu-MT 論文翻訳(概要): Understanding the Efficacy of U-Net & Vision Transformer for Groundwater Numerical Modelling

論文の概要: Understanding the Efficacy of U-Net & Vision Transformer for Groundwater Numerical Modelling

arxiv url: http://arxiv.org/abs/2307.04010v1
Date: Sat, 8 Jul 2023 16:40:45 GMT
ステータス: 処理完了
システム内更新日: 2023-07-11 16:09:42.799141
Title: Understanding the Efficacy of U-Net & Vision Transformer for Groundwater Numerical Modelling
Title（参考訳）: 地下水数値モデリングにおけるU-Net & Vision Transformerの有効性の解明
Authors: Maria Luisa Taccari, Oded Ovadia, He Wang, Adar Kahana, Xiaohui Chen, Peter K. Jimack
Abstract要約: U-Net と U-Net + ViT モデルは FNO を精度と効率で上回ることを示した。これらの結果から,U-Netモデルによる地下水モデルの構築の可能性が示唆された。
参考スコア（独自算出の注目度）: 13.029731605492252
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a comprehensive comparison of various machine learning models, namely U-Net, U-Net integrated with Vision Transformers (ViT), and Fourier Neural Operator (FNO), for time-dependent forward modelling in groundwater systems. Through testing on synthetic datasets, it is demonstrated that U-Net and U-Net + ViT models outperform FNO in accuracy and efficiency, especially in sparse data scenarios. These findings underscore the potential of U-Net-based models for groundwater modelling in real-world applications where data scarcity is prevalent.
Abstract（参考訳）: 本稿では、地下水系における時間依存フォワードモデリングのための様々な機械学習モデル、すなわちビジョントランスフォーマー(ViT)と統合されたU-Netとフーリエニューラル演算子(FNO)を総合的に比較する。合成データセットのテストを通じて、U-NetとU-Net + ViTモデルは、特にスパースデータシナリオにおいて、精度と効率でFNOより優れていることを示した。これらの結果は,データ不足が顕著な実世界のアプリケーションにおいて,地下水モデリングのためのU-Netモデルの可能性を明らかにするものである。

関連論文リスト

Data-Juicer Sandbox: A Comprehensive Suite for Multimodal Data-Model Co-development [67.55944651679864]
統合データモデル共同開発に適した新しいサンドボックススイートを提案する。このサンドボックスは包括的な実験プラットフォームを提供し、データとモデルの両方の迅速なイテレーションと洞察駆動による改善を可能にする。また、徹底的なベンチマークから得られた実りある洞察を明らかにし、データ品質、多様性、モデル行動の間の重要な相互作用に光を当てています。
論文参考訳（メタデータ） (2024-07-16T14:40:07Z)
Generative Modeling for Tabular Data via Penalized Optimal Transport Network [2.0319002824093015]
Wasserstein generative adversarial network (WGAN) は、生成モデルにおいて顕著な改善である。本稿では,新しい,頑健で解釈可能な辺縁補償型Wasserstein(MPW)損失に基づく生成型ディープニューラルネットワークPOTNetを提案する。
論文参考訳（メタデータ） (2024-02-16T05:27:05Z)
UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文参考訳（メタデータ） (2023-10-25T00:20:37Z)
A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
論文参考訳（メタデータ） (2023-01-31T16:12:26Z)
HigeNet: A Highly Efficient Modeling for Long Sequence Time Series Prediction in AIOps [30.963758935255075]
本稿では,HigeNetという高効率モデルを提案し,時系列時系列の予測を行う。モデルのトレーニング時間,資源使用量,精度は,5つの最先端競合モデルよりも有意に優れていることを示す。
論文参考訳（メタデータ） (2022-11-13T13:48:43Z)
A lightweight Transformer-based model for fish landmark detection [4.08805092034476]
我々は移動魚のランドマーク検出ネットワーク(MFLD-net)と呼ばれる新しいモデルアーキテクチャを開発する。 MFLD-netは、軽量でありながら、低いデータレシエーションにおいて、競争力またはより良い結果を達成することができる。 ViTとは異なり、MFLD-netは事前トレーニングされたモデルを必要としない。
論文参考訳（メタデータ） (2022-09-13T07:18:57Z)
Global Filter Networks for Image Classification [90.81352483076323]
本稿では,対数線形複雑度を持つ周波数領域における長期空間依存性を学習する,概念的に単純だが計算効率のよいアーキテクチャを提案する。この結果から,GFNetはトランスフォーマー型モデルやCNNの効率,一般化能力,堅牢性において,非常に競争力のある代替手段となる可能性が示唆された。
論文参考訳（メタデータ） (2021-07-01T17:58:16Z)
How to train your ViT? Data, Augmentation, and Regularization in Vision Transformers [74.06040005144382]
ビジョントランスフォーマー(ViT)は、幅広いビジョンアプリケーションにおいて高い競争力を発揮することが示されている。我々は,トレーニングデータの量,AugReg,モデルサイズ,計算予算の相互作用をよりよく理解するために,体系的な実証的研究を行う。私たちは、パブリックなImageNet-21kデータセットでさまざまなサイズのViTモデルをトレーニングします。
論文参考訳（メタデータ） (2021-06-18T17:58:20Z)
Vision Transformers are Robust Learners [65.91359312429147]
ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
論文参考訳（メタデータ） (2021-05-17T02:39:22Z)
A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。