論文の概要: HydroGEM: A Self Supervised Zero Shot Hybrid TCN Transformer Foundation Model for Continental Scale Streamflow Quality Control

• arxiv url: http://arxiv.org/abs/2512.14106v1
• Date: Tue, 16 Dec 2025 05:39:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.606101
• Title: HydroGEM: A Self Supervised Zero Shot Hybrid TCN Transformer Foundation Model for Continental Scale Streamflow Quality Control
• Title（参考訳）: HydroGEM: 大規模ストリームフロー品質制御のための自己監督型ゼロショットハイブリッドTNトランスの基礎モデル
• Authors: Ijaz Ul Haq, Byung Suk Lee, Julia N. Perdrial, David Baude,
• Abstract要約: 本稿では,大陸規模のストリームフロー品質管理の基礎モデルであるHydroGEMを紹介する。 HydroGEMは2段階の訓練をしており、3,724の駅から6.03万回の事前訓練を行っている。 保持された合成試験では、検出のためのHydroGEM F1 = 0.792、既存の方法よりも36.3%改善された。
• 参考スコア（独自算出の注目度）: 2.153503585184628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time streamflow monitoring networks generate millions of observations annually, yet maintaining data quality across thousands of remote sensors remains labor-intensive. We introduce HydroGEM (Hydrological Generalizable Encoder for Monitoring), a foundation model for continental-scale streamflow quality control. HydroGEM uses two-stage training: self-supervised pretraining on 6.03 million sequences from 3,724 USGS stations learns hydrological representations, followed by fine-tuning with synthetic anomalies for detection and reconstruction. A hybrid TCN-Transformer architecture (14.2M parameters) captures local temporal patterns and long-range dependencies, while hierarchical normalization handles six orders of magnitude in discharge. On held-out synthetic tests comprising 799 stations with 18 expert-validated anomaly types, HydroGEM achieves F1 = 0.792 for detection and 68.7% reconstruction-error reduction, a 36.3% improvement over existing methods. Zero-shot transfer to 100 Environment and Climate Change Canada stations yields F1 = 0.586, exceeding all baselines and demonstrating cross-national generalization. The model maintains consistent detection across correction magnitudes and aligns with operational seasonal patterns. HydroGEM is designed for human-in-the-loop workflows - outputs are quality control suggestions requiring expert review, not autonomous corrections.
• Abstract（参考訳）: リアルタイムストリームフロー監視ネットワークは、毎年何百万もの観測結果を生成するが、数千ものリモートセンサーのデータ品質は、依然として労働集約的だ。 本稿では,大陸規模のストリームフロー品質管理の基礎モデルであるHydroGEM(Hydrological Generalizable Encoder for Monitoring)を紹介する。 米国地質調査所(USGS)の3,724のステーションから6.03万塩基配列の自己教師による事前訓練と、検出と再構築のための合成異常による微調整である。 ハイブリッドTCN-Transformerアーキテクチャ(14.2Mパラメータ)は局所的な時間的パターンと長距離依存をキャプチャし、階層正規化は6桁の放電を扱う。 799のステーションと18のエキスパート検証された異常型からなるホールドアウト合成試験において、HydroGEMは検出のためのF1 = 0.792、再構築エラーの68.7%、既存の方法よりも36.3%改善している。 カナダの100の環境・気候変動局へのゼロショット転送は、F1 = 0.586 となり、全てのベースラインを越え、国際的一般化を示す。 モデルは、補正の規模にわたって一貫した検出を維持し、運用の季節パターンと整合する。 アウトプットは、自動修正ではなく、専門家によるレビューを必要とする品質管理の提案である。

関連論文リスト

• HydroFusion-LMF: Semi-Supervised Multi-Network Fusion with Large-Model Adaptation for Long-Term Daily Runoff Forecasting [3.3915788299794767]
  ハイドロフュージョン-LMFは非定常性を低減するためにトレンド-残留分解を行う。 専門的なアウトプットを、水文学的な文脈認識ゲートを通じて融合させ、日々のフェーズで条件付けする。 MSE 1.0128 / MAE 0.5818を10年毎のデータセットで取得する。
  論文  参考訳（メタデータ） (2025-10-04T09:09:06Z)
• Automated Energy-Aware Time-Series Model Deployment on Embedded FPGAs for Resilient Combined Sewer Overflow Management [17.903318666906728]
  気候変動によって激化する極度の気象現象は、下水道システムの老朽化に挑戦する傾向にある。 下水道流域充填量の予測は早期介入に有効な洞察を与えることができる。 本稿では,エッジデバイス上でエネルギー効率の高い推論を可能にするエンドツーエンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T15:06:04Z)
• Machine Learning for Proactive Groundwater Management: Early Warning and Resource Allocation [1.372066170415575]
  我々は,気候データ,水文気象記録,生理特性を用いて地下水位を推定する機械学習パイプラインを開発した。 我々のアプローチは、地理空間前処理、ドメイン駆動機能エンジニアリング、監視制限を克服する自動モデル選択を統合している。
  論文  参考訳（メタデータ） (2025-06-18T00:41:04Z)
• ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
  ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。 提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
  論文  参考訳（メタデータ） (2025-06-12T06:27:22Z)
• DiTEC-WDN: A Large-Scale Dataset of Hydraulic Scenarios across Multiple Water Distribution Networks [41.94295877935867]
  このデータセットは、短期(24時間)または長期(1年)でシミュレートされた36,000のユニークなシナリオで構成されている。 DiTEC-WDNは、グラフレベル、ノードレベル、リンクレベルの回帰、時系列予測など、さまざまな機械学習タスクをサポートすることができる。 この貢献は、公的なライセンスの下でリリースされ、クリティカルウォーターセクターにおけるオープンな科学研究を奨励し、センシティブなデータを露出するリスクを排除し、研究比較とシナリオ分析のための大規模な配水ネットワークベンチマークの必要性を満たす。
  論文  参考訳（メタデータ） (2025-03-21T14:14:03Z)
• AI for Water Sustainability: Global Water Quality Assessment and Prediction with Explainable AI with LLM Chatbot for Insights [0.0]
  本稿では,カナダ,中国,イギリス,アメリカ,アイルランドの複数の水質パラメータを用いたCCMEデータセットに基づくハイブリッドディープラーニングモデルを提案する。 CatBoost, XGBoost, Extra Trees Regressorは平均RMSE1.2、R2乗スコア0.99で水質指数(WQI)を予測した。
  論文  参考訳（メタデータ） (2024-09-17T05:26:59Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Echofilter: A Deep Learning Segmentation Model Improves the Automation, Standardization, and Timeliness for Post-Processing Echosounder Data in Tidal Energy Streams [3.7067444579637074]
  潮流は潮流の発達に有利な場所を、しばしば非常に乱れ、水中に空気を注入する。 拘束された空気からの帰還によって汚染された水柱の一部は、生物学的分析に使用されるデータから除外されなければならない。 我々は,空気が水柱に浸透した範囲の自動検出を,明瞭で一貫した,実質的で,測定可能な改善をもたらす深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2022-02-19T17:26:46Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。