論文の概要: Iterative Encoding-Decoding VAEs Anomaly Detection in NOAA's DART Time Series: A Machine Learning Approach for Enhancing Data Integrity for NASA's GRACE-FO Verification and Validation

• arxiv url: http://arxiv.org/abs/2412.16375v1
• Date: Fri, 20 Dec 2024 22:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:52:40.333430
• Title: Iterative Encoding-Decoding VAEs Anomaly Detection in NOAA's DART Time Series: A Machine Learning Approach for Enhancing Data Integrity for NASA's GRACE-FO Verification and Validation
• Title（参考訳）: NOAAのDART時系列における反復符号化・復号VAEの異常検出:NASAのGRACE-FO検証と検証のための機械学習アプローチ
• Authors: Kevin Lee,
• Abstract要約: 本稿では,DART時系列の品質向上のために,反復アティショナル・デコーディング・バリエンコーダ(Iterative Ational-Decoding VAEs)モデルを提案する。 反復的なアテンショナルデコードVAEは、データの潜伏構造を保ちながら、徐々に異常を除去する。 このデータ処理手法は、解釈可能性と信頼性を改善した将来の気候モデリングを基盤とする津波検出手法である。
• 参考スコア（独自算出の注目度）: 3.4265828682659705
• License:
• Abstract: NOAA's Deep-ocean Assessment and Reporting of Tsunamis (DART) data are critical for NASA-JPL's tsunami detection, real-time operations, and oceanographic research. However, these time-series data often contain spikes, steps, and drifts that degrade data quality and obscure essential oceanographic features. To address these anomalies, the work introduces an Iterative Encoding-Decoding Variational Autoencoders (Iterative Encoding-Decoding VAEs) model to improve the quality of DART time series. Unlike traditional filtering and thresholding methods that risk distorting inherent signal characteristics, Iterative Encoding-Decoding VAEs progressively remove anomalies while preserving the data's latent structure. A hybrid thresholding approach further retains genuine oceanographic features near boundaries. Applied to complex DART datasets, this approach yields reconstructions that better maintain key oceanic properties compared to classical statistical techniques, offering improved robustness against spike removal and subtle step changes. The resulting high-quality data supports critical verification and validation efforts for the GRACE-FO mission at NASA-JPL, where accurate surface measurements are essential to modeling Earth's gravitational field and global water dynamics. Ultimately, this data processing method enhances tsunami detection and underpins future climate modeling with improved interpretability and reliability.
• Abstract（参考訳）: NOAAのDeep-ocean Assessment and Reporting of Tsunamis (DART)データは、NASA-JPLの津波検出、リアルタイム運用、海洋研究に重要である。 しかし、これらの時系列データには、データ品質と不明瞭な海洋学的特徴を低下させるスパイク、ステップ、ドリフトが含まれることが多い。 これらの異常に対処するため、DART時系列の品質を向上させるために反復エンコーディング・デコード変分自動エンコーダ(Iterative Encoding-Decoding VAEs)モデルを導入する。 本来の信号特性を歪ませるリスクを負う従来のフィルタリングやしきい値処理とは異なり、反復エンコード-復号VAEはデータの潜在構造を保ちながら、徐々に異常を除去する。 ハイブリッドしきい値法は、境界付近の本物の海洋特性をさらに維持する。 複雑なDARTデータセットに適用されたこのアプローチは、古典的な統計手法と比較して重要な海洋特性をよりよく維持し、スパイク除去と微妙なステップ変更に対する堅牢性を改善した再構築をもたらす。 NASA-JPLのGRACE-FOミッションでは、地球の重力場と地球規模の水力学をモデル化するために正確な表面測定が不可欠である。 最終的に、このデータ処理方法は津波検出を強化し、解釈可能性と信頼性を改善した将来の気候モデルを支える。

関連論文リスト

• AeroGen: Enhancing Remote Sensing Object Detection with Diffusion-Driven Data Generation [38.89367726721828]
  リモートセンシング画像オブジェクト検出(RSIOD)は、衛星や空中画像内の特定の物体を特定し、特定することを目的としている。 現在のRSIODデータセットにはラベル付きデータが不足しており、現在の検出アルゴリズムのパフォーマンスを著しく制限している。 本稿では,RSIODに適したレイアウト制御可能な拡散生成モデル(AeroGen)を提案する。
  論文  参考訳（メタデータ） (2024-11-23T09:04:33Z)
• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• An Attention-Based Algorithm for Gravity Adaptation Zone Calibration [2.919933798918053]
  本稿では,重力適応領域キャリブレーションのためのアテンション強化アルゴリズムを提案する。 従来の特徴選択法に固有の多重線型性と冗長性の問題に対処する。 キャリブレーション精度とロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-10-06T12:03:13Z)
• Improving Water Quality Time-Series Prediction in Hong Kong using Sentinel-2 MSI Data and Google Earth Engine Cloud Computing [2.186901738997927]
  本研究は,香港沿岸域におけるクロロフィルa (Chl-a), 懸濁固体 (SS), 濁度を予測するための時系列モデルを構築した。
  論文  参考訳（メタデータ） (2024-08-26T04:31:55Z)
• Flood Data Analysis on SpaceNet 8 Using Apache Sedona [4.802565443109335]
  SpaceNet8は、最先端の人工知能技術を利用して洪水の危険を評価するユニークな機会を提供する。 本稿では,洪水被害検出における不正確な問題に対処する新しいアプローチを提案する。 これらの改善の後、我々の指標は顕著な改善を示し、精度は5%、F1は2.6%、IoUは4.5%向上した。
  論文  参考訳（メタデータ） (2024-04-28T16:29:22Z)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• GAMMA: Generative Augmentation for Attentive Marine Debris Detection [0.0]
  そこで本稿では,水中デブリデータによる視覚的検出の不適切な問題を解決するために,効率的で生成的な拡張手法を提案する。 我々は、CycleGANをデータ拡張技術として使用し、地球上のプラスチックのオープンで豊富なデータを水中画像に変換する。 また,アテンション機構を用いた水中デブリ検出のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-12-07T16:30:51Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。