論文の概要: HydroDCM: Hydrological Domain-Conditioned Modulation for Cross-Reservoir Inflow Prediction

• arxiv url: http://arxiv.org/abs/2512.03300v1
• Date: Tue, 02 Dec 2025 23:27:17 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:55:36.038404
• Title: HydroDCM: Hydrological Domain-Conditioned Modulation for Cross-Reservoir Inflow Prediction
• Title（参考訳）: HydroDCM: 貯留層内流入予測のための水文ドメイン要求変調
• Authors: Pengfei Hu, Fan Ming, Xiaoxue Han, Chang Lu, Yue Ning, Dan Lu,
• Abstract要約: 本稿では,貯留層間流入予測のためのスケーラブルなフレームワークHydroDCMを提案する。 コロラド川上流域における実世界の貯水池30カ所の実験結果から,多くのドメイン条件下でのDGベースラインを著しく上回る結果が得られた。
• 参考スコア（独自算出の注目度）: 7.5357826019827
• License:
• Abstract: Deep learning models have shown promise in reservoir inflow prediction, yet their performance often deteriorates when applied to different reservoirs due to distributional differences, referred to as the domain shift problem. Domain generalization (DG) solutions aim to address this issue by extracting domain-invariant representations that mitigate errors in unseen domains. However, in hydrological settings, each reservoir exhibits unique inflow patterns, while some metadata beyond observations like spatial information exerts indirect but significant influence. This mismatch limits the applicability of conventional DG techniques to many-domain hydrological systems. To overcome these challenges, we propose HydroDCM, a scalable DG framework for cross-reservoir inflow forecasting. Spatial metadata of reservoirs is used to construct pseudo-domain labels that guide adversarial learning of invariant temporal features. During inference, HydroDCM adapts these features through light-weight conditioning layers informed by the target reservoir's metadata, reconciling DG's invariance with location-specific adaptation. Experiment results on 30 real-world reservoirs in the Upper Colorado River Basin demonstrate that our method substantially outperforms state-of-the-art DG baselines under many-domain conditions and remains computationally efficient.
• Abstract（参考訳）: 深層学習モデルは貯水池の流入予測において有望であることを示しているが、ドメインシフト問題(ドメインシフト問題)と呼ばれる分布差によって異なる貯水池に適用された場合、その性能は劣化することが多い。 ドメイン一般化(DG)ソリューションは、未確認領域におけるエラーを緩和するドメイン不変表現を抽出することによってこの問題に対処することを目的としている。 しかし、水文学的な環境では、各貯水池は独自の流入パターンを示し、空間情報のような観測以上のメタデータは間接的だが重大な影響を与える。 このミスマッチは、従来のDG技術が多ドメイン水文学システムに適用可能であることを制限している。 これらの課題を克服するため、我々は、クロス貯留層流入予測のためのスケーラブルなDGフレームワークであるHydroDCMを提案する。 貯水池の空間メタデータは、不変の時間的特徴の敵対的学習を導く擬似ドメインラベルを構築するために使用される。 推測中、HydroDCMは、ターゲット貯水池のメタデータから通知される軽量な条件付け層を通じてこれらの特徴を適応させ、DGの不均一性と位置特異的適応を整合させる。 コロラド川上流域における30個の実世界の貯水池実験の結果,多くのドメイン条件下でのDGベースラインの性能は著しく向上し,計算効率も良好であることがわかった。

関連論文リスト

• Recurrent Transformer U-Net Surrogate for Flow Modeling and Data Assimilation in Subsurface Formations with Faults [0.0]
  本研究では, 実断層下帯水層における圧力およびCO2飽和度を予測するために, 再帰型変圧器U-Netサロゲートモデルを開発した。 このジオモデルには、ターゲット帯水層(超臨界二酸化炭素が注入される場所)、周辺地域、キャップロック、2つの広範な断層、2つのオーバーライド帯水層が含まれる。
  論文  参考訳（メタデータ） (2025-08-15T18:56:45Z)
• Retrieval-Augmented Water Level Forecasting for Everglades [1.2163458046014013]
  本稿では,予測前のモデル入力を豊かにするために,Retrieval-Augmented Forecasting (RAF) を水文学領域に導入する。 RAFは、歴史的データから関連するパターンを特定し、組み込んで、文脈認識と予測精度を高める。 本研究では,エバーグレーズにおける実世界のデータに関する総合的な評価を行い,RAFフレームワークが水位予測精度を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2025-08-06T21:27:12Z)
• A Generalized Label Shift Perspective for Cross-Domain Gaze Estimation [43.98317039184491]
  クロスドメイン・ゲイズ推定(CDGE)は、現実世界のアプリケーションシナリオ向けに開発された。 一般化ラベルシフト(GLS)の視点をCDGEに導入する。 条件付き不変学習に重み付けされた音源分布を埋め込むために,条件付き演算子の不一致の確率的推定を導出する。
  論文  参考訳（メタデータ） (2025-05-19T12:33:52Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Fishr: Invariant Gradient Variances for Out-of-distribution Generalization [98.40583494166314]
  フィッシャーは、損失関数の勾配の空間における領域不変性を強制する学習スキームである。 フィッシャーはこの損失についてフィッシャー・インフォメーションやヘッセンと密接な関係を示している。 特に、FishrはDomainBedベンチマークのテクニックの状態を改善し、経験的リスク最小化よりも大幅にパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2021-09-07T08:36:09Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)

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。