論文の概要: A Causal Convolutional Low-rank Representation Model for Imputation of Water Quality Data
- arxiv url: http://arxiv.org/abs/2504.15209v1
- Date: Mon, 21 Apr 2025 16:27:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 15:57:52.985153
- Title: A Causal Convolutional Low-rank Representation Model for Imputation of Water Quality Data
- Title（参考訳）: 水質データのインプットのための因果畳み込み低ランク表現モデル
- Authors: Xin Liao, Bing Yang, Tan Dongli, Cai Yu,
- Abstract要約: 本稿では,WQDの完全性を向上するために,WQDの欠落を示唆するCausal Convolutional Low-rank Representation(CLR)モデルを提案する。
3つの実世界の水質データセットに関する実験的研究は、提案されたCLRモデルが既存の最先端の計算モデルよりも優れていることを示した。
- 参考スコア（独自算出の注目度）: 11.584987653534531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The monitoring of water quality is a crucial part of environmental protection, and a large number of monitors are widely deployed to monitor water quality. Due to unavoidable factors such as data acquisition breakdowns, sensors and communication failures, water quality monitoring data suffers from missing values over time, resulting in High-Dimensional and Sparse (HDS) Water Quality Data (WQD). The simple and rough filling of the missing values leads to inaccurate results and affects the implementation of relevant measures. Therefore, this paper proposes a Causal convolutional Low-rank Representation (CLR) model for imputing missing WQD to improve the completeness of the WQD, which employs a two-fold idea: a) applying causal convolutional operation to consider the temporal dependence of the low-rank representation, thus incorporating temporal information to improve the imputation accuracy; and b) implementing a hyperparameters adaptation scheme to automatically adjust the best hyperparameters during model training, thereby reducing the tedious manual adjustment of hyper-parameters. Experimental studies on three real-world water quality datasets demonstrate that the proposed CLR model is superior to some of the existing state-of-the-art imputation models in terms of imputation accuracy and time cost, as well as indicating that the proposed model provides more reliable decision support for environmental monitoring.
- Abstract（参考訳）: 水質モニタリングは環境保護の重要な部分であり、水質監視のために多数のモニターが広く展開されている。
データ取得、センサー、通信障害などの避けられない要因のため、水質モニタリングデータは時間とともに欠落した値に悩まされ、結果として高次元・スパース(HDS)水質データ(WQD)となる。
欠落した値の単純で粗い埋め合わせは、不正確な結果をもたらし、関連する尺度の実装に影響を与える。
そこで本稿では,WQDの完全性を改善するために,WQDの欠落を示唆するCausal Convolutional Low-rank Representation(CLR)モデルを提案する。
a) 因果的畳み込み操作を適用して、低階表現の時間的依存を考慮し、即時情報を取り入れて、計算精度を向上させること。
b) モデルトレーニング中に最適なハイパーパラメータを自動的に調整するハイパーパラメータ適応方式を実装し、これにより、ハイパーパラメータの面倒な手作業の調整を軽減できる。
3つの実世界の水質データセットに関する実験的研究により、提案したCLRモデルは、計算精度と時間コストの観点から既存の最先端の計算モデルよりも優れており、また、提案モデルが環境モニタリングに対してより信頼性の高い意思決定支援を提供することを示す。
関連論文リスト
- Denoising Score Distillation: From Noisy Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
低品質データから高品質な生成モデルをトレーニングするための驚くほど効果的で斬新なアプローチであるDSD(Denoising score distillation)を導入する。
DSDはノイズの多い劣化したサンプルにのみ拡散モデルを事前訓練し、精製されたクリーンな出力を生成することができる1ステップの発電機に蒸留する。
論文 参考訳（メタデータ） (2025-03-10T17:44:46Z) - Water Quality Data Imputation via A Fast Latent Factorization of Tensors with PID-based Optimizer [21.261626027956737]
センサ故障による水質データには多くの欠落点がある。
グラディエントDescent (SGD) によるPID (LFT) の潜在因子化は, 効率的な計算法であることが証明された。
本稿では,この問題に対処するためのPID(FLFT)モデルについて提案する。
論文 参考訳（メタデータ） (2025-03-10T07:22:54Z) - AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。
標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。
本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
論文 参考訳（メタデータ） (2025-02-26T14:34:53Z) - Can Deep Learning Trigger Alerts from Mobile-Captured Images? [0.0594961162060159]
本研究は,データ拡張手法の検証,大気質予測のためのCNNに基づく回帰モデリング,モバイル技術によるユーザ中心の大気質モニタリングに寄与する。
提案システムは,個人が情報的環境衛生と幸福な意思決定を行うための実践的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-01-07T03:39:43Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳（メタデータ） (2024-03-20T04:58:03Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - Short-term prediction of stream turbidity using surrogate data and a
meta-model approach [0.0]
本研究では,動的回帰(ARIMA),長期記憶ニューラルネット(LSTM),一般化付加モデル(GAM)を構築・比較し,ストリームの濁度を予測する。
我々は,異なる時間点における各モデルの強みを生かし,その長所を生かしたメタモデルを構築した。
以上の結果から,例えば水中照度などの温度および光関連変数は,費用対効果の高い濁度サロゲートとして期待できる可能性が示唆された。
論文 参考訳（メタデータ） (2022-10-11T23:05:32Z) - Visual-tactile sensing for Real-time liquid Volume Estimation in
Grasping [58.50342759993186]
変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。
我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。
ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
論文 参考訳（メタデータ） (2022-02-23T13:38:31Z) - SWAT Watershed Model Calibration using Deep Learning [0.860255319568951]
深層学習(DL)を用いたSWATモデルの校正のための高速で正確で信頼性の高い手法を提案する。
畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。
その結果,従来のパラメータ推定法よりもDLモデルに基づくキャリブレーションが優れていることがわかった。
論文 参考訳（メタデータ） (2021-10-06T22:56:23Z) - Detection of Anomalies in a Time Series Data using InfluxDB and Python [0.0]
本論文では,時系列データに対するデータクリーニングと準備について述べる。
さらに,時系列データに異常なデータ点を検出するソリューションとして,コストに敏感な機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-15T17:27:39Z) - From Rain Generation to Rain Removal [67.71728610434698]
雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。
降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。
総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
論文 参考訳（メタデータ） (2020-08-08T18:56:51Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。