論文の概要: A Nonlinear Low-rank Representation Model with Convolutional Neural Network for Imputing Water Quality Data

• arxiv url: http://arxiv.org/abs/2506.23629v1
• Date: Mon, 30 Jun 2025 08:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.983263
• Title: A Nonlinear Low-rank Representation Model with Convolutional Neural Network for Imputing Water Quality Data
• Title（参考訳）: 畳み込みニューラルネットワークを用いた水質データに対する非線形低ランク表現モデル
• Authors: Xin Liao, Bing Yang, Cai Yu,
• Abstract要約: 水質データの統合性(WQD)は、科学的意思決定と生態保護のための環境モニタリングにおいて重要である。 従来のデータ計算手法は、潜在的なダイナミクスを描写することは困難であり、深層データの特徴を捉えるのに失敗する。 本稿では,WQDの欠落を補うために,畳み込みニューラルネットワーク(CNN)を用いた低ランク表現モデルを提案する。
• 参考スコア（独自算出の注目度）: 12.655766751647985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integrity of Water Quality Data (WQD) is critical in environmental monitoring for scientific decision-making and ecological protection. However, water quality monitoring systems are often challenged by large amounts of missing data due to unavoidable problems such as sensor failures and communication delays, which further lead to water quality data becoming High-Dimensional and Sparse (HDS). Traditional data imputation methods are difficult to depict the potential dynamics and fail to capture the deep data features, resulting in unsatisfactory imputation performance. To effectively address the above issues, this paper proposes a Nonlinear Low-rank Representation model (NLR) with Convolutional Neural Networks (CNN) for imputing missing WQD, which utilizes CNNs to implement two ideas: a) fusing temporal features to model the temporal dependence of data between time slots, and b) Extracting nonlinear interactions and local patterns to mine higher-order relationships features and achieve deep fusion of multidimensional information. Experimental studies on three real water quality datasets demonstrate that the proposed model significantly outperforms existing state-of-the-art data imputation models in terms of estimation accuracy. It provides an effective approach for handling water quality monitoring data in complex dynamic environments.
• Abstract（参考訳）: 水質データ(WQD)の完全性は、科学的意思決定と生態保護のための環境モニタリングにおいて重要である。 しかし, センサ故障や通信遅延などの回避不可能な問題により, 水質モニタリングシステムが大量のデータ不足に悩まされ, 水質データが高次元・スパース(HDS)となる。 従来のデータ計算手法では、潜在的なダイナミクスを描写することは困難であり、深層データの特徴を捉えることができないため、不満足な計算性能が得られる。 上記の問題を効果的に解決するために、CNNを用いて2つのアイデアを実装可能な、畳み込みニューラルネットワーク(CNN)を用いた非線形低ランク表現モデル(NLR)を提案する。 a) 時間帯間のデータの時間的依存をモデル化するために時間的特徴を融合させ、 b) 非線形相互作用と局所パターンを抽出して高次関係性を抽出し, 多次元情報の深層融合を実現する。 3つの実際の水質データセットに関する実験的研究により、提案モデルが推定精度で既存の最先端データ計算モデルを大幅に上回ることを示した。 複雑な動的環境における水質モニタリングデータを扱うための効果的なアプローチを提供する。

関連論文リスト

• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• A Causal Convolutional Low-rank Representation Model for Imputation of Water Quality Data [11.584987653534531]
  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。
  論文  参考訳（メタデータ） (2025-04-21T16:27:16Z)
• 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)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
  水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。 センサデータの誤パターンを特定するには異常検出が不可欠である。 本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
  論文  参考訳（メタデータ） (2023-04-19T01:32:32Z)
• A Neural PDE Solver with Temporal Stencil Modeling [44.97241931708181]
  最近の機械学習(ML)モデルでは、高解像度信号において重要なダイナミクスを捉えることが約束されている。 この研究は、低解像度のダウンサンプリング機能で重要な情報が失われることがしばしばあることを示している。 本稿では,高度な時系列シーケンスモデリングと最先端のニューラルPDEソルバの強みを組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T06:13:01Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。