Fugu-MT 論文翻訳(概要): Conformal Prediction-Driven Adaptive Sampling for Digital Twins of Water Distribution Networks

論文の概要: Conformal Prediction-Driven Adaptive Sampling for Digital Twins of Water Distribution Networks

arxiv url: http://arxiv.org/abs/2511.05610v1
Date: Thu, 06 Nov 2025 09:43:34 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-11 21:18:44.493199
Title: Conformal Prediction-Driven Adaptive Sampling for Digital Twins of Water Distribution Networks
Title（参考訳）: 配水網のディジタル双対に対する等角予測駆動型適応サンプリング
Authors: Mohammadhossein Homaei, Oscar Mogollon Gutierrez, Ruben Molano, Andres Caro, Mar Avila,
Abstract要約: 配水ネットワーク(WDN)のためのDigital Twins (DT)は、限られたセンサーで正確な状態推定を必要とする。本稿では,LSTM予測と Conformal Prediction (CP) を組み合わせた適応的フレームワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Digital Twins (DTs) for Water Distribution Networks (WDNs) require accurate state estimation with limited sensors. Uniform sampling often wastes resources across nodes with different uncertainty. We propose an adaptive framework combining LSTM forecasting and Conformal Prediction (CP) to estimate node-wise uncertainty and focus sensing on the most uncertain points. Marginal CP is used for its low computational cost, suitable for real-time DTs. Experiments on Hanoi, Net3, and CTOWN show 33-34% lower demand error than uniform sampling at 40% coverage and maintain 89.4-90.2% empirical coverage with only 5-10% extra computation.
Abstract（参考訳）: 配水ネットワーク(WDN)のためのDigital Twins (DT)は、限られたセンサーで正確な状態推定を必要とする。均一サンプリングは、不確実性の異なるノードをまたいだリソースを無駄にすることが多い。本稿では,LSTM予測と Conformal Prediction (CP) を組み合わせた適応的フレームワークを提案する。 Marginal CPは計算コストが低く、リアルタイムDTに適している。ハノイ、Net3、CTOWNの実験では、統一サンプリングよりも33-34%低い需要誤差を示し、89.4-90.2%の試験カバレッジを維持し、5-10%の余剰計算しか維持していない。

関連論文リスト

Efficient and Unbiased Sampling from Boltzmann Distributions via Variance-Tuned Diffusion Models [24.911598225979606]
VT-DIS(Variance-Tuned Diffusion Smpling)は、事前学習したスコアベース拡散モデルのステップごとのノイズ共分散に適応する軽量な手法である。 VT-DISはDW-4, LJ-13, アラニン-ジペプチドベンチマークでそれぞれ80%, 35%, 3.5%の有効試料サイズを達成している。
論文参考訳（メタデータ） (2025-05-27T10:37:48Z)
DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
論文参考訳（メタデータ） (2024-09-05T17:59:46Z)
Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
論文参考訳（メタデータ） (2024-05-30T03:15:59Z)
Approximate Thompson Sampling via Epistemic Neural Networks [26.872304174606278]
てんかん性ニューラルネットワーク(ENN)は、正確な関節の予測分布を生成するように設計されている。 ENNがこの目的をうまく果たし、共同予測分布の質がいかに性能を向上させるかを示す。
論文参考訳（メタデータ） (2023-02-18T01:58:15Z)
(Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文参考訳（メタデータ） (2022-06-21T17:27:27Z)
Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
論文参考訳（メタデータ） (2022-06-10T05:11:02Z)
Ensembling geophysical models with Bayesian Neural Networks [11.972384567130268]
我々は物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発した。 BayNNEは既存のアンサンブル法を上回り、時間外挿のためのRMSEを49.4%削減した。不確実性も良好で、検証データセットのデータポイントの90.6%が2つの標準偏差内にある。
論文参考訳（メタデータ） (2020-10-07T18:32:32Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
APQ: Joint Search for Network Architecture, Pruning and Quantization Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文参考訳（メタデータ） (2020-06-15T16:09:17Z)
Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。