論文の概要: Fine-gained air quality inference based on low-quality sensing data using self-supervised learning

• arxiv url: http://arxiv.org/abs/2408.09526v1
• Date: Sun, 18 Aug 2024 16:24:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 20:20:04.344730
• Title: Fine-gained air quality inference based on low-quality sensing data using self-supervised learning
• Title（参考訳）: 自己教師型学習を用いた低品質センシングデータに基づく微視的空気質推定
• Authors: Meng Xu, Ke Han, Weijian Hu, Wen Ji,
• Abstract要約: 安価なAQマイクロステーション(MS)の普及により、AQマッピングが可能となる。 MSは、正確な読み取りを提供するが、数値が不足している標準化されたステーション(SS)とは対照的に、しばしば不正確で、局所的な障害に敏感である。
• 参考スコア（独自算出の注目度）: 11.100368153987263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained air quality (AQ) mapping is made possible by the proliferation of cheap AQ micro-stations (MSs). However, their measurements are often inaccurate and sensitive to local disturbances, in contrast to standardized stations (SSs) that provide accurate readings but fall short in number. To simultaneously address the issues of low data quality (MSs) and high label sparsity (SSs), a multi-task spatio-temporal network (MTSTN) is proposed, which employs self-supervised learning to utilize massive unlabeled data, aided by seasonal and trend decomposition of MS data offering reliable information as features. The MTSTN is applied to infer NO$_2$, O$_3$ and PM$_{2.5}$ concentrations in a 250 km$^2$ area in Chengdu, China, at a resolution of 500m$\times$500m$\times$1hr. Data from 55 SSs and 323 MSs were used, along with meteorological, traffic, geographic and timestamp data as features. The MTSTN excels in accuracy compared to several benchmarks, and its performance is greatly enhanced by utilizing low-quality MS data. A series of ablation and pressure tests demonstrate the results' robustness and interpretability, showcasing the MTSTN's practical value for accurate and affordable AQ inference.
• Abstract（参考訳）: 安価なAQマイクロステーション(MS)の普及により,AQマッピングが可能となる。 しかし、それらの測定値はしばしば不正確で、正確な測度を提供するが数が少ない標準化された局(SS)とは対照的に、局所的な乱れに敏感である。 低品質(MS)と高ラベル空間(SS)の問題を同時に解決するために,多タスク時空間ネットワーク(MTSTN)を提案する。 MTSTNは、中国成都の250 km$^2$地域のNO$_2$, O$_3$, PM$_{2.5}$濃度を500m$\times$500m$\times$1hrで推定する。 55個のSSと323個のMSのデータと気象、交通、地理的、タイムスタンプのデータが特徴として使われた。 MTSTNはいくつかのベンチマークと比較して精度が優れており、その性能は低品質のMSデータを利用することで大幅に向上している。 一連のアブレーションと圧力試験は結果の堅牢性と解釈可能性を示し、正確で安価なAQ推論のためのMTSTNの実用的価値を示している。

関連論文リスト

• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Hinge-FM2I: An Approach using Image Inpainting for Interpolating Missing Data in Univariate Time Series [0.0]
  時系列予測は、交通管理、電力消費、医療など様々な用途に不可欠である。 データ品質に関する一般的な問題のひとつは、欠落データと呼ばれるデータポイントの欠如である。 本稿では,欠落データを扱う新しい手法であるHinge-FM2Iを提案する。
  論文  参考訳（メタデータ） (2024-06-08T17:52:24Z)
• Can We Enhance the Quality of Mobile Crowdsensing Data Without Ground Truth? [45.875832406278214]
  モバイル・クラウドセンシング(MCS)は、様々な領域で顕著なトレンドとなっている。 本稿では,予測と評価に基づく真理発見フレームワークを提案する。 センシングタスクにおいて、低品質のデータを高品質のデータから分離することができる。
  論文  参考訳（メタデータ） (2024-05-29T03:16:12Z)
• Graph-Aware Contrasting for Multivariate Time-Series Classification [50.84488941336865]
  既存のコントラスト学習手法は主に、時間的拡張とコントラスト技術による時間的一貫性を達成することに焦点を当てている。 MTSデータ間の空間的整合性を考慮したグラフ認識コントラストを提案する。 提案手法は,様々なMSS分類タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T02:35:22Z)
• Machine Learning Force Fields with Data Cost Aware Training [94.78998399180519]
  分子動力学(MD)シミュレーションを加速するために機械学習力場(MLFF)が提案されている。 最もデータ効率のよいMLFFであっても、化学精度に達するには数百フレームの力とエネルギーのラベルが必要になる。 我々は、安価な不正確なデータと高価な正確なデータの組み合わせを利用して、MLFFのデータコストを下げる多段階計算フレームワークASTEROIDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T04:34:54Z)
• Cross-device Federated Learning for Mobile Health Diagnostics: A First Study on COVID-19 Detection [17.60965121379399]
  フェデレートラーニング(FL)は、健康診断モデルに多数の個人用エッジデバイスからのデータを組み込むことができる。 このような医療診断のためのデバイス横断FLアプローチは、ローカルデータ不均衡とグローバルデータ不均衡の両方のために、依然として多くの課題を課している。 健康診断のためのクロスデバイスFLフレームワークであるFedLossを提案する。
  論文  参考訳（メタデータ） (2023-03-13T12:42:02Z)
• Time-Synchronized Full System State Estimation Considering Practical Implementation Challenges [0.15978270011184256]
  この問題を解決するために,Deep Neural Network-based State Estimator (DeNSE)を提案する。 DeNSEは、緩やかな時間スケールから引き出された推論と広範囲にわたる監視制御とデータ取得(SCADA)データを高速な時間スケールに間接的に組み合わせるために、ベイズフレームワークを使用している。 IEEE 118-busシステムを用いて得られた結果は、純粋にSCADA状態推定器とPMUのみの線形状態推定器よりもDeNSEの優位性を示す。
  論文  参考訳（メタデータ） (2022-12-04T02:59:32Z)
• Predicting microsatellite instability and key biomarkers in colorectal cancer from H&E-stained images: Achieving SOTA with Less Data using Swin Transformer [3.6695403836792493]
  シフトウインドウ(Swin-T)を用いた大腸癌バイオマーカーの効率的なワークフローを開発した。 Swin-Tは小さなトレーニングデータセットを使用して極めて効率的で、200-500のトレーニングサンプルだけで堅牢な予測性能を示す。 これらのデータは、Swin-Tが現在のMSIの最先端アルゴリズムよりも5～10倍効率が高いことを示している。
  論文  参考訳（メタデータ） (2022-08-22T02:32:30Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Improving a State-of-the-Art Heuristic for the Minimum Latency Problem with Data Mining [69.00394670035747]
  ハイブリッドメタヒューリスティックスは、オペレーション研究のトレンドとなっている。 成功例は、Greedy Randomized Adaptive Search Procedures (GRASP)とデータマイニング技術を組み合わせたものだ。
  論文  参考訳（メタデータ） (2019-08-28T13:12:30Z)

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。