論文の概要: Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction

• arxiv url: http://arxiv.org/abs/2503.09947v2
• Date: Sun, 15 Jun 2025 11:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 15:15:30.303103
• Title: Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction
• Title（参考訳）: 大規模水質予測のための深層学習モデルにおける信頼性の課題
• Abstract要約: 本稿では,大陸規模のマルチタスクLSTMモデルにおいて,信頼性の総合評価を行う。 本研究は,流域特性に関連するモデル性能格差の系統的パターンを明らかにする。 この作業は、水資源管理のための信頼できるデータ駆動手法を前進させるためのタイムリーな呼びかけとして役立ちます。
• 参考スコア（独自算出の注目度）: 64.4881275941927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Water quality is foundational to environmental sustainability, ecosystem resilience, and public health. Deep learning models, particularly Long Short-Term Memory (LSTM) networks, offer transformative potential for large-scale water quality prediction and scientific insights generation. However, their widespread adoption in high-stakes decision-making, such as pollution mitigation and equitable resource allocation, is prevented by unresolved trustworthiness challenges including fairness, uncertainty, interpretability, robustness, generalizability, and reproducibility. In this work, we present the first comprehensive evaluation of trustworthiness in a continental-scale multi-task LSTM model predicting 20 water quality variables (encompassing physical/chemical processes, geochemical weathering, and nutrient cycling) across 482 U.S. basins. Our investigation uncovers systematic patterns of model performance disparities linked to basin characteristics, the inherent complexity of biogeochemical processes, and variable predictability, emphasizing critical performance fairness concerns. We further propose methodological frameworks for quantitatively evaluating critical aspects of trustworthiness, including uncertainty, interpretability, and robustness, identifying key limitations that could challenge reliable real-world deployment. This work serves as a timely call to action for advancing trustworthy data-driven methods for water resources management and provides a pathway to offering critical insights for researchers, decision-makers, and practitioners seeking to leverage artificial intelligence (AI) responsibly in environmental management.
• Abstract（参考訳）: 水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングモデル、特にLong Short-Term Memory (LSTM) ネットワークは、大規模な水質予測と科学的洞察生成のための変革的ポテンシャルを提供する。 しかし, 汚染軽減や資源配分等, 高額な意思決定に広く採用されていることは, 不確実性, 不確実性, 解釈可能性, 堅牢性, 一般化可能性, 再現性といった未解決の信頼性問題によって防止されている。 本研究では, 大陸規模のマルチタスクLSTMモデルにおいて,482の米国流域における水質変動(物理・化学的プロセス, 地化学風化, 栄養循環)を予測し, 信頼性の総合評価を行った。 本研究は, 流域特性, 生物地球化学プロセス固有の複雑さ, 変動予測可能性に関連するモデル性能格差の系統的パターンを明らかにする。 さらに,信頼性,不確実性,解釈可能性,堅牢性などの重要な側面を定量的に評価するための方法論的枠組みを提案する。 この研究は、水資源管理のための信頼できるデータ駆動手法を進化させるためのタイムリーな呼びかけとして機能し、研究者、意思決定者、そして環境管理に責任を負う人工知能(AI)を活用しようとする実践者に重要な洞察を提供するための経路を提供する。

関連論文リスト

• A Responsible Artificial Intelligence Framework for Groundwater Modeling [6.608387434294069]
  本稿では、透明性、技術的堅牢性、プライバシーガバナンス、公正性、説明責任、持続可能性の6つの責任AI原則を提案する。 LSTMとTransformerの時系列モデルは,マルチソース・ハイドロ気象データを用いて開発され,ポストホック解釈性,モンテカルロシミュレーション,シナリオ解析によって検証される。 その結果,Transformer は LSTM の精度,堅牢性,解釈可能性に優れており,気候変動や人的活動下での持続可能な水管理を支援するため,地下水予測における応答性AI 原則の操作性と実用的価値が示されている。
  論文  参考訳（メタデータ） (2026-08-16T09:59:45Z)
• AquaAugmentor: A Novel Feature Augmentation Algorithm for Water Potability Prediction [0.5731102471423569]
  本稿では,機械学習と深層学習アルゴリズムによる水利用可能性予測の課題に対処する。 新たな機能拡張アルゴリズムであるAquaAugmentorを導入し、これらのモデルの予測性能を向上させる。 本研究は, 安全な水資源を確保するための幅広い取り組みに寄与し, 環境品質評価に機械学習を活用するための枠組みとして機能する。
  論文  参考訳（メタデータ） (2026-07-17T09:11:24Z)
• Accurate, Efficient, and Explainable Deep Learning Approaches for Environmental Science Problems [1.6208280868940619]
  論文は、複雑な環境科学の問題に合わせたAIベースのアプローチを開発する。 まず,沿岸河川システムにおける洪水予測と管理に注目した。 第2に、大規模なデータスケールによる地球規模の天気予報を目標としている。 第3に,環境科学における科学的問いかけについて述べる。
  論文  参考訳（メタデータ） (2026-05-19T04:58:10Z)
• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Can Large Language Models Derive New Knowledge? A Dynamic Benchmark for Biological Knowledge Discovery [81.03797680309154]
  DBench-Bioは、AIの生物学的知識発見能力を評価するための、動的で完全に自動化されたベンチマークである。 このパイプラインをインスタンス化し、12のバイオメディカルサブドメインをカバーする月次更新ベンチマークを構築します。 我々の研究は、AIシステムの新しい知識発見能力を評価するための、最初の動的で自動的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:47:22Z)
• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• Self-organizing maps for water quality assessment in reservoirs and lakes: A systematic literature review [0.0]
  教師なしAI技術であるSOM(Self-Organizing Map)が水質評価に適用される。 SOMは多次元データを処理し、効果的な水管理を支援するために隠されたパターンを明らかにする。 本総説では, 生態系評価, 栄養状態分類, 藻類開花モニタリング, 捕食地域影響評価におけるSOMの多様性について概説する。
  論文  参考訳（メタデータ） (2025-12-20T18:48:33Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
  作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。 これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。 本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
  論文  参考訳（メタデータ） (2025-07-29T17:59:48Z)
• Geospatial Foundation Models to Enable Progress on Sustainable Development Goals [18.086843224361644]
  Foundation Models(FM)は、自然言語処理とコンピュータビジョンに革命をもたらした大規模で事前訓練されたAIシステムである。 本研究は地理空間的FMの厳密な学際的評価を提供し,持続可能性目標達成におけるその役割について重要な知見を提供する。
  論文  参考訳（メタデータ） (2025-05-30T12:36:38Z)
• Divide-Then-Align: Honest Alignment based on the Knowledge Boundary of RAG [51.120170062795566]
  本稿では,問合せが知識境界外にある場合の"I don't know"で応答する機能を備えたRAGシステムを実現するためのDTAを提案する。 DTAは適切な棄権と精度のバランスをとり、検索強化システムの信頼性と信頼性を高める。
  論文  参考訳（メタデータ） (2025-05-27T08:21:21Z)
• REVAL: A Comprehension Evaluation on Reliability and Values of Large Vision-Language Models [59.445672459851274]
  REVALは、Large Vision-Language Modelsの textbfREliability と textbfVALue を評価するために設計された包括的なベンチマークである。 REVALには144K以上の画像テキストビジュアル質問回答(VQA)サンプルが含まれており、信頼性と価値の2つの主要なセクションで構成されている。 主流のオープンソースLVLMや,GPT-4oやGemini-1.5-Proといった著名なクローズドソースモデルを含む26のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-20T07:54:35Z)
• Integrating Boosted learning with Differential Evolution (DE) Optimizer: A Prediction of Groundwater Quality Risk Assessment in Odisha [0.0]
  本研究では,地下水水質指標(GWQI)を評価するための機械学習に基づく予測モデルを開発した。 LCBoost Fusionと呼ばれるハイブリッド機械学習モデルの助けを借りて実現されている。
  論文  参考訳（メタデータ） (2025-02-25T07:47:41Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Water quality polluted by total suspended solids classified within an Artificial Neural Network approach [0.0]
  懸濁液による水質汚染は、環境と健康に重大なリスクをもたらす。 これらの課題に対処するために, 全懸濁固体から水質の包括的データセットを活用するモデルを開発した。 畳み込みニューラルネットワークは, 異なる懸濁液濃度に対応するデータを用いて, 伝達学習手法で訓練された。
  論文  参考訳（メタデータ） (2024-10-19T01:33:08Z)
• Cooperative Resilience in Artificial Intelligence Multiagent Systems [2.0608564715600273]
  本稿では, 協調レジリエンスの明確な定義とその定量化手法を提案する。 その結果は、集団システムが破壊に直面してどのように準備し、抵抗し、回復し、幸福を維持し、変革するかを分析する上で、レジリエンス指標の重要な役割を強調している。
  論文  参考訳（メタデータ） (2024-09-20T03:28:48Z)
• EARBench: Towards Evaluating Physical Risk Awareness for Task Planning of Foundation Model-based Embodied AI Agents [53.717918131568936]
  EAI(Embodied AI)は、高度なAIモデルを現実世界のインタラクションのための物理的なエンティティに統合する。 高レベルのタスク計画のためのEAIエージェントの"脳"としてのファンデーションモデルは、有望な結果を示している。 しかし、これらのエージェントの物理的環境への展開は、重大な安全性上の課題を呈している。 本研究では,EAIシナリオにおける身体的リスクの自動評価のための新しいフレームワークEARBenchを紹介する。
  論文  参考訳（メタデータ） (2024-08-08T13:19:37Z)
• Machine Learning for Urban Air Quality Analytics: A Survey [27.96085346957208]
  大気汚染は、広範囲にわたる結果に緊急の世界的な懸念をもたらす。 本稿では,機械学習に基づく空気質分析に関する総合的な調査を紹介する。
  論文  参考訳（メタデータ） (2023-10-14T17:03:29Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• The RoboDepth Challenge: Methods and Advancements Towards Robust Depth Estimation [97.63185634482552]
  我々は,RoboDepth Challengeの優勝ソリューションを要約する。 この課題は、堅牢なOoD深度推定を容易にし、前進させるように設計された。 この課題が、堅牢で信頼性の高い深度推定に関する将来の研究の基盤となることを願っている。
  論文  参考訳（メタデータ） (2023-07-27T17:59:56Z)
• On the Opportunities and Risks of Foundation Models [256.61956234436553]
  これらのモデルの基礎モデルは、批判的に中心的だが不完全な性格を根底から立証するものです。 本報告では,基礎モデルの可能性とリスクについて概説する。 これらの疑問に対処するためには、基礎モデルに関する重要な研究の多くは、深い学際的なコラボレーションが必要であると信じている。
  論文  参考訳（メタデータ） (2021-08-16T17:50:08Z)
• Trustworthy AI [75.99046162669997]
  入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。 我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
  論文  参考訳（メタデータ） (2020-11-02T20:04:18Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。