論文の概要: Spatial Transfer Learning for Estimating PM2.5 in Data-poor Regions

• arxiv url: http://arxiv.org/abs/2404.07308v2
• Date: Sat, 22 Jun 2024 20:15:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 01:02:45.407251
• Title: Spatial Transfer Learning for Estimating PM2.5 in Data-poor Regions
• Title（参考訳）: データ不足地域におけるPM2.5推定のための空間伝達学習
• Authors: Shrey Gupta, Yongbee Park, Jianzhao Bi, Suyash Gupta, Andreas Züfle, Avani Wildani, Yang Liu,
• Abstract要約: 大気汚染、特に粒子状物質2.5(PM2.5)は公衆衛生の懸念事項である。 本稿では、両方のドメインの空間的および意味的依存関係をキャプチャするLatent Dependency Factor(LDF)という新機能を提案する。 実験の結果, LDFを用いた移動学習モデルでは, ベースラインよりも19.34%向上していることがわかった。
• 参考スコア（独自算出の注目度）: 5.2100440680819124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air pollution, especially particulate matter 2.5 (PM2.5), is a pressing concern for public health and is difficult to estimate in developing countries (data-poor regions) due to a lack of ground sensors. Transfer learning models can be leveraged to solve this problem, as they use alternate data sources to gain knowledge (i.e., data from data-rich regions). However, current transfer learning methodologies do not account for dependencies between the source and the target domains. We recognize this transfer problem as spatial transfer learning and propose a new feature named Latent Dependency Factor (LDF) that captures spatial and semantic dependencies of both domains and is subsequently added to the feature spaces of the domains. We generate LDF using a novel two-stage autoencoder model that learns from clusters of similar source and target domain data. Our experiments show that transfer learning models using LDF have a 19.34% improvement over the baselines. We additionally support our experiments with qualitative findings.
• Abstract（参考訳）: 大気汚染、特に粒子状物質2.5(PM2.5)は公衆衛生への関心が高まり、地上センサーの欠如により発展途上国(データ貧しい地域)では推定が難しい。 移行学習モデルは、知識を得るために代替データソース(すなわち、データ豊富な領域のデータ)を使用するため、この問題を解決するために利用することができる。 しかし、現在の転送学習手法は、ソースとターゲットドメイン間の依存関係を考慮しない。 我々はこの伝達問題を空間伝達学習として認識し、両方の領域の空間的および意味的依存関係をキャプチャし、その後、各領域の特徴空間に追加するLatent Dependency Factor (LDF) という新機能を提案する。 我々は、類似したソースとターゲットドメインデータのクラスタから学習する新しい2段階オートエンコーダモデルを用いてLPFを生成する。 実験の結果, LDFを用いた移動学習モデルでは, ベースラインよりも19.34%向上していることがわかった。 また,定性的な実験も支援している。

関連論文リスト

• Domain adaption and physical constrains transfer learning for shale gas production [0.26440512250125126]
  本稿では,ドメイン適応と物理制約を利用した新しい移動学習手法を提案する。 この手法は、データ分散の観点からの負の転送を減らすために、ソースドメインからの履歴データを効果的に活用する。 掘削, 完成, 地質データを物理的制約として組み込むことで, ハイブリッドモデルを構築する。
  論文  参考訳（メタデータ） (2023-12-18T04:13:27Z)
• On the Transferability of Learning Models for Semantic Segmentation for Remote Sensing Data [12.500746892824338]
  近年の深層学習に基づく手法は、リモートセンシング(RS)セマンティックセグメンテーション/分類タスクにおいて従来の学習方法より優れている。 しかし、ソースドメインでトレーニングされたモデルがターゲットドメインに容易に適用できる程度に、その転送可能性に関する包括的な分析は存在しない。 本稿では,従来のディープラーニングモデル(DL)とドメイン適応手法(DA)の有効性について検討する。
  論文  参考訳（メタデータ） (2023-10-16T15:13:36Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
  ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。 最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。 教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T15:53:23Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Domain Adaptation for Learning Generator from Paired Few-Shot Data [72.04430033118426]
  十分なソースデータと少数のターゲットデータを持つジェネレータを学習するためのペアドフェーショットGAN(PFS-GAN)モデルを提案する。 提案手法は,複数のベースラインと比較して,より多様性の高い生成対象ドメインデータに対して,定量的,定性的な結果が得られる。
  論文  参考訳（メタデータ） (2021-02-25T10:11:44Z)
• Dual-Teacher++: Exploiting Intra-domain and Inter-domain Knowledge with Reliable Transfer for Cardiac Segmentation [69.09432302497116]
  最先端の半教師付きドメイン適応フレームワークである Dual-Teacher++ を提案する。 ソースドメイン(MRなど)からのクロスモダリティ優先度を探索するドメイン間教師モデルと、ラベルのないターゲットドメインの知識を調査するドメイン内教師モデルを含む、新しいデュアル教師モデルを設計する。 このようにして、学生モデルは信頼できる二重ドメイン知識を得て、ターゲットドメインデータのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2021-01-07T05:17:38Z)
• Unsupervised Transfer Learning with Self-Supervised Remedy [60.315835711438936]
  手動ラベルのない新しいドメインにディープネットワークを一般化することは、ディープラーニングにとって難しい。 事前学習された知識は、学習されたドメインや新しいドメインについて強い仮定をしなければ、うまく伝達しない。 本研究は,ラベル付き関連ドメインからの知識伝達により,新規ドメインにおける未ラベル対象データの識別潜在空間を学習することを目的とする。
  論文  参考訳（メタデータ） (2020-06-08T16:42:17Z)

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。