Fugu-MT 論文翻訳(概要): Dynamic Graph-Like Learning with Contrastive Clustering on Temporally-Factored Ship Motion Data for Imbalanced Sea State Estimation in Autonomous Vessel

論文の概要: Dynamic Graph-Like Learning with Contrastive Clustering on Temporally-Factored Ship Motion Data for Imbalanced Sea State Estimation in Autonomous Vessel

arxiv url: http://arxiv.org/abs/2504.14907v1
Date: Mon, 21 Apr 2025 07:22:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-29 19:09:11.197976
Title: Dynamic Graph-Like Learning with Contrastive Clustering on Temporally-Factored Ship Motion Data for Imbalanced Sea State Estimation in Autonomous Vessel
Title（参考訳）: 対物クラスタリングによる動的グラフライクな学習による船体内不均衡状態推定
Authors: Kexin Wang, Mengna Liu, Xu Cheng, Fan Shi, Shanshan Qi, Shengyong Chen,
Abstract要約: TGC-SSE(Toral-Graph Contrastive Clustering Sea State Estimator) TGC-SSEは、データ冗長性を低減するための時間次元分解モジュール、複雑な変数の相互作用をキャプチャする動的グラフのような学習モジュール、クラス不均衡を効果的に管理する対照的なクラスタリング損失関数の3つの重要なコンポーネントを組み合わせた、新しいディープラーニングモデルである。実験の結果、TGC-SSEは14の公開データセットで既存のメソッドを著しく上回り、EDIよりも20.79%改善され、9つのデータセットで最高精度を達成した。
参考スコア（独自算出の注目度）: 27.747537910382253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate sea state estimation is crucial for the real-time control and future state prediction of autonomous vessels. However, traditional methods struggle with challenges such as data imbalance and feature redundancy in ship motion data, limiting their effectiveness. To address these challenges, we propose the Temporal-Graph Contrastive Clustering Sea State Estimator (TGC-SSE), a novel deep learning model that combines three key components: a time dimension factorization module to reduce data redundancy, a dynamic graph-like learning module to capture complex variable interactions, and a contrastive clustering loss function to effectively manage class imbalance. Our experiments demonstrate that TGC-SSE significantly outperforms existing methods across 14 public datasets, achieving the highest accuracy in 9 datasets, with a 20.79% improvement over EDI. Furthermore, in the field of sea state estimation, TGC-SSE surpasses five benchmark methods and seven deep learning models. Ablation studies confirm the effectiveness of each module, demonstrating their respective roles in enhancing overall model performance. Overall, TGC-SSE not only improves the accuracy of sea state estimation but also exhibits strong generalization capabilities, providing reliable support for autonomous vessel operations.
Abstract（参考訳）: 海面の正確な推定は、自律型船舶のリアルタイム制御と将来の状態予測に不可欠である。しかし、従来の手法は、船の運動データにおけるデータ不均衡や特徴冗長性といった課題に悩まされ、その効果が制限される。これらの課題に対処するため、TGC-SSE(Temporal-Graph Contrastive Clustering Sea State Estimator)という、データ冗長性を低減するための時間次元分解モジュール、複雑な変数の相互作用をキャプチャする動的グラフのような学習モジュール、クラス不均衡を効果的に管理する対照的なクラスタリング損失関数という、3つの重要なコンポーネントを組み合わせた新しいディープラーニングモデルを提案する。実験の結果、TGC-SSEは14の公開データセットで既存のメソッドを著しく上回り、EDIよりも20.79%改善され、9つのデータセットで最高精度を達成した。さらに、海洋状態推定の分野では、TGC-SSEは5つのベンチマーク手法と7つのディープラーニングモデルを超えている。アブレーション研究は,各モジュールの有効性を検証し,モデル全体の性能向上における各モジュールの役割を明らかにした。全体として、TGC-SSEは海の状態推定の精度を向上するだけでなく、強力な一般化能力を示し、自律的な船舶操作を確実にサポートする。

関連論文リスト

Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
論文参考訳（メタデータ） (2025-04-09T15:13:26Z)
SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文参考訳（メタデータ） (2025-03-25T17:59:57Z)
EffiCANet: Efficient Time Series Forecasting with Convolutional Attention [12.784289506021265]
EffiCANetは計算効率を維持しながら予測精度を向上させるように設計されている。 EffiCANetは最先端モデルに対するMAEの最大10.02%の削減を実現している。
論文参考訳（メタデータ） (2024-11-07T12:54:42Z)
Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
論文参考訳（メタデータ） (2024-10-08T01:27:46Z)
Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements [57.04370580292727]
圧縮測定によるベイズ状態の推定について考察する。時間的測定ベクトルの寸法は、推定される時間的状態ベクトルの寸法よりも小さい。状態の進化の基盤となる力学モデルは「モデルフリープロセス」では未知数である。
論文参考訳（メタデータ） (2024-07-10T05:03:48Z)
Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
論文参考訳（メタデータ） (2024-03-05T09:18:29Z)
A Maritime Industry Experience for Vessel Operational Anomaly Detection: Utilizing Deep Learning Augmented with Lightweight Interpretable Models [0.19116784879310028]
本研究は,半教師付き深層学習モデルに軽量な解釈可能なサロゲートモデルを適用した船体動作異常検出手法を示す。我々は、通常の運用データに基づいて訓練され、実際の異常検出データでテストされた標準および長期記憶(LSTM)オートエンコーダを利用する。
論文参考訳（メタデータ） (2023-12-30T01:31:54Z)
Fuel Consumption Prediction for a Passenger Ferry using Machine Learning and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文参考訳（メタデータ） (2023-10-19T19:35:38Z)
Incremental Outlier Detection Modelling Using Streaming Analytics in Finance & Health Care [0.0]
リアルタイムデータの時代において、従来の手法はストリーミング環境の動的な性質に追従するのに苦労することが多い。本稿では,モデルを一度構築し,リアルタイム環境下で評価するハイブリッドフレームワークを提案する。我々は、一級サポートベクターマシン(OCSVM)、孤立林適応型スライドウィンドウアプローチ(IForest ASD)、正確な嵐(ES)、角度ベース外乱検出(ABOD)、局所外乱係数(LOF)、Kitsunesオンラインアルゴリズム(KitNet)、K-nearest近隣の8種類の最先端外乱検出モデルを採用した。
論文参考訳（メタデータ） (2023-05-17T02:30:28Z)
From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文参考訳（メタデータ） (2022-04-14T15:14:08Z)
From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文参考訳（メタデータ） (2020-07-27T17:30:49Z)

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。