論文の概要: AIS-CycleGen: A CycleGAN-Based Framework for High-Fidelity Synthetic AIS Data Generation and Augmentation

• arxiv url: http://arxiv.org/abs/2601.06127v1
• Date: Sun, 04 Jan 2026 15:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.59695
• Title: AIS-CycleGen: A CycleGAN-Based Framework for High-Fidelity Synthetic AIS Data Generation and Augmentation
• Title（参考訳）: AIS-CycleGen:高忠実合成AISデータ生成と拡張のためのサイクロンGANベースのフレームワーク
• Authors: SM Ashfaq uz Zaman, Faizan Qamar, Masnizah Mohd, Nur Hanis Sabrina Suhaimi, Amith Khandakar,
• Abstract要約: 本稿では,CycleGAN(Cycle-Consistent Generative Adversarial Networks)に基づくロバストなデータ拡張手法であるAISCycleGenを提案する。 従来の方法とは異なり、AISCycleGenはペアのソースターゲットデータを必要とすることなく、未ペアドメイン変換を利用して高忠実な合成AISデータシーケンスを生成する。 我々は,AISCycleGenが,PSNR値30.5,FIDスコア38.9を達成し,同時代の拡張技術より優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.288275057681158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Identification System (AIS) data are vital for maritime domain awareness, yet they often suffer from domain shifts, data sparsity, and class imbalance, which hinder the performance of predictive models. In this paper, we propose a robust data augmentation method, AISCycleGen, based on Cycle-Consistent Generative Adversarial Networks (CycleGAN), which is tailored for AIS datasets. Unlike traditional methods, AISCycleGen leverages unpaired domain translation to generate high-fidelity synthetic AIS data sequences without requiring paired source-target data. The framework employs a 1D convolutional generator with adaptive noise injection to preserve the spatiotemporal structure of AIS trajectories, enhancing the diversity and realism of the generated data. To demonstrate its efficacy, we apply AISCycleGen to several baseline regression models, showing improvements in performance across various maritime domains. The results indicate that AISCycleGen outperforms contemporary GAN-based augmentation techniques, achieving a PSNR value of 30.5 and an FID score of 38.9. These findings underscore AISCycleGen's potential as an effective and generalizable solution for augmenting AIS datasets, improving downstream model performance in real-world maritime intelligence applications.
• Abstract（参考訳）: 自動識別システム(AIS)データは、海洋ドメインの認識に不可欠であるが、ドメインシフト、データの分散、クラス不均衡に悩まされ、予測モデルの性能を損なうことも多い。 本稿では,AISデータセットに適したCycleGAN(Cycle-Consistent Generative Adversarial Networks)に基づく,堅牢なデータ拡張手法であるAISCycleGenを提案する。 従来の方法とは異なり、AISCycleGenはペアのソースターゲットデータを必要とすることなく、未ペアドメイン変換を利用して高忠実な合成AISデータシーケンスを生成する。 このフレームワークは、適応ノイズ注入を備えた1D畳み込みジェネレータを用いて、AIS軌道の時空間構造を保存し、生成されたデータの多様性とリアリズムを高める。 その有効性を示すために、AISCycleGenをいくつかのベースライン回帰モデルに適用し、様々な海洋ドメインのパフォーマンス改善を示す。 その結果、AISCycleGenは現代のGANベースの拡張技術より優れ、PSNR値が30.5、FIDスコアが38.9であることがわかった。 これらの知見はAISCycleGenのAISデータセットを増強するための効果的で一般化可能なソリューションとしての可能性を強調し、現実世界の海事インテリジェンスアプリケーションにおける下流モデルパフォーマンスを改善した。

関連論文リスト

• A Reinforcement Learning Approach to Synthetic Data Generation [8.293402602656736]
  RLSynは患者記録に対するポリシーとしてデータジェネレータをモデル化する新しいフレームワークである。 我々は、プライバシー、実用性、忠実度を評価する上で、最先端のジェネレーティブ・敵ネットワーク(GAN)と拡散に基づく手法を比較検討した。
  論文  参考訳（メタデータ） (2025-12-24T19:26:37Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• AugmentGest: Can Random Data Cropping Augmentation Boost Gesture Recognition Performance? [49.64902130083662]
  本稿では、幾何変換、ランダム変動、回転、ズーム、強度に基づく変換を統合する包括的データ拡張フレームワークを提案する。 提案手法は,マルチストリームe2eET,FPPRポイントクラウドベースハンドジェスチャ認識(HGR),DD-Networkの3つのモデルで評価される。
  論文  参考訳（メタデータ） (2025-06-08T16:43:05Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• AugGen: Synthetic Augmentation using Diffusion Models Can Improve Recognition [14.525986333650417]
  合成データ生成は、外部データセットや事前訓練されたモデルに代わる有望な代替手段を提供する。 AugGenは、ターゲットFRデータセットにのみ訓練されたクラス条件生成モデルから戦略的にサンプリングする。 本研究は, プライバシー制約を緩和し, 認識性能を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2025-03-14T16:10:21Z)
• Generative AI for Data Augmentation in Wireless Networks: Analysis, Applications, and Case Study [52.585121600169714]
  本稿では,無線ネットワークにおける生成データ拡張の可能性と有効性について考察する。 本稿では,Wi-Fiジェスチャー認識のための汎用データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-13T05:15:25Z)
• Generative adversarial networks for data-scarce spectral applications [0.0]
  合成スペクトルデータ生成分野におけるGANの応用について報告する。 CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
  論文  参考訳（メタデータ） (2023-07-14T16:27:24Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models [13.56090099952884]
  本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。 フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。 実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2020-06-04T21:23:09Z)

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。