論文の概要: Efficient Numerical Calibration of Water Delivery Network Using Short-Burst Hydrant Trials
- arxiv url: http://arxiv.org/abs/2410.02772v1
- Date: Tue, 17 Sep 2024 11:49:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-03 05:54:19.846328
- Title: Efficient Numerical Calibration of Water Delivery Network Using Short-Burst Hydrant Trials
- Title（参考訳）: 短絡ハイドラント試験による給水網の効率的な校正
- Authors: Katarzyna Kołodziej, Michał Cholewa, Przemysław Głomb, Wojciech Koral, Michał Romaszewski,
- Abstract要約: 本研究は,WDNの圧力勾配を増大させる短時間水和剤試験を用いたキャリブレーション法を提案する。
WDNゾーンのユニークな実世界のケーススタディでは、日々の使用量に基づくキャリブレーションと比較して、我々の手法の統計的に有意な優位性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Calibration is a critical process for reducing uncertainty in Water Distribution Network Hydraulic Models (WDN HM). However, features of certain WDNs, such as oversized pipelines, lead to shallow pressure gradients under normal daily conditions, posing a challenge for effective calibration. This study proposes a calibration methodology using short hydrant trials conducted at night, which increase the pressure gradient in the WDN. The data is resampled to align with hourly consumption patterns. In a unique real-world case study of a WDN zone, we demonstrate the statistically significant superiority of our method compared to calibration based on daily usage. The experimental methodology, inspired by a machine learning cross-validation framework, utilises two state-of-the-art calibration algorithms, achieving a reduction in absolute error of up to 45% in the best scenario.
- Abstract（参考訳）: 水分配ネットワーク水圧モデル(WDN HM)におけるキャリブレーションは不確実性を低減するための重要なプロセスである。
しかし、過大なパイプラインのようなある種のWDNの特徴は、通常の日常的な条件下での浅い圧力勾配をもたらし、効果的なキャリブレーションの課題となっている。
本研究は,WDNの圧力勾配を増大させる短時間水和剤試験を用いたキャリブレーション法を提案する。
データは、時間単位の消費パターンに合わせて再サンプリングされる。
WDNゾーンのユニークな実世界のケーススタディでは、日々の使用量に基づくキャリブレーションと比較して、我々の手法の統計的に有意な優位性を示す。
この実験手法は、機械学習のクロスバリデーションフレームワークにインスパイアされ、2つの最先端のキャリブレーションアルゴリズムを利用し、最高のシナリオで最大45%の絶対誤差を減少させる。
関連論文リスト
- DCNet: A Data-Driven Framework for DVL Calibration [2.915868985330569]
本稿では,2次元畳み込みカーネルを革新的な方法で利用するデータ駆動型フレームワークDCNetを紹介する。
平均精度は70%,キャリブレーション時間は80%向上した。
また, 低コストで高精度なDVLを用いた海洋ロボット工学の新たな応用を開拓した。
論文 参考訳（メタデータ） (2024-10-11T13:47:40Z) - ForeCal: Random Forest-based Calibration for DNNs [0.0]
我々はランダム森林に基づく新しいポストホックキャリブレーションアルゴリズムであるForeCalを提案する。
ForeCalはランダム森林の2つのユニークな特性を生かしている。
ForeCal は,AUC が測定した基準の識別力に最小限の影響を与え,予測誤差(ECE) で既存手法より優れることを示す。
論文 参考訳（メタデータ） (2024-09-04T04:56:41Z) - C-TPT: Calibrated Test-Time Prompt Tuning for Vision-Language Models via Text Feature Dispersion [54.81141583427542]
深層学習において,ラベル付きデータを必要としない微調整手法としてテスト時間適応が注目されている。
本稿では,CLIPの固有特性を利用したテスト時プロンプトチューニング時の校正について検討する。
そこで本研究では,C-TPT(Calibrated Test-time Prompt Tuning)という,キャリブレーションの強化によるテスト時間中のプロンプトの最適化手法を提案する。
論文 参考訳（メタデータ） (2024-03-21T04:08:29Z) - Efficient Backpropagation with Variance-Controlled Adaptive Sampling [32.297478086982466]
前方および/または後方伝播(BP)中の'重要'な計算を排除したサンプリングベースのアルゴリズムは、ニューラルネットワークトレーニングを加速するための潜在的なソリューションを提供する。
本稿では,BPの高速化を目的とした分散制御型適応サンプリング(VCAS)手法を提案する。
VCASは、トレーニングプロセス全体の73.87%のFLOPs削減と49.58%のFLOPs削減で、元のトレーニング損失軌跡と検証精度を維持することができる。
論文 参考訳（メタデータ） (2024-02-27T05:40:36Z) - DVL Calibration using Data-driven Methods [3.4447129363520332]
キャリブレーション手順のためのエンドツーエンドのディープラーニングフレームワークを提案する。
提案手法は,モデルの精度が35%,キャリブレーション時間が80%向上することを示した。
論文 参考訳（メタデータ） (2024-01-23T11:52:25Z) - Efficient Uncertainty Estimation with Gaussian Process for Reliable
Dialog Response Retrieval [31.32746943236811]
BERTに基づく会話検索のための効率的な不確実性校正フレームワークGPF-BERTを提案する。
基本的なキャリブレーション法と比較して、GPF-BERTは3つのドメイン内のデータセットで最も低い経験的キャリブレーション誤差(ECE)を達成する。
時間消費に関しては、GPF-BERTは8$times$ speedupです。
論文 参考訳（メタデータ） (2023-03-15T13:12:16Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-24T10:18:30Z) - Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。
そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。
このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文 参考訳（メタデータ） (2020-07-17T07:32:24Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z)
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。