論文の概要: Pavement Missing Condition Data Imputation through Collective Learning-Based Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2603.06625v1
• Date: Sun, 22 Feb 2026 00:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.450637
• Title: Pavement Missing Condition Data Imputation through Collective Learning-Based Graph Neural Networks
• Title（参考訳）: 集合学習型グラフニューラルネットワークによる舗装ミス条件データ計算
• Authors: Ke Yu, Lu Gao,
• Abstract要約: 本稿では、集合学習に基づくグラフ畳み込みネットワークを用いて、欠落した条件値の学習を行う。 実験により、提案したモデルが、欠落したデータを出力することで、有望な結果が得られることが示された。
• 参考スコア（独自算出の注目度）: 8.878814778065376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pavement condition data is important in providing information regarding the current state of the road network and in determining the needs of maintenance and rehabilitation treatments. However, the condition data is often incomplete due to various reasons such as sensor errors and non-periodic inspection schedules. Missing data, especially data missing systematically, presents loss of information, reduces statistical power, and introduces biased assessment. Existing methods in dealing with missing data usually discard entire data points with missing values or impute through data correlation. In this paper, we used a collective learning-based Graph Convolutional Networks, which integrates both features of adjacent sections and dependencies between observed section conditions to learn missing condition values. Unlike other variants of graph neural networks, the proposed approach is able to capture dependent relationship between the conditions of adjacent pavement sections. In the case study, pavement condition data collected from Texas Department of Transportation Austin District were used. Experiments show that the proposed model was able to produce promising results in imputing the missing data.
• Abstract（参考訳）: 舗装条件データは、道路網の現在の状態に関する情報の提供や、メンテナンスやリハビリテーションの必要性の判断に重要である。 しかし、センサエラーや非周期検査スケジュールなどの様々な理由により、条件データはしばしば不完全である。 欠落したデータ、特に体系的に欠落したデータは、情報の損失を示し、統計力を低下させ、バイアスのある評価を導入する。 欠落したデータを扱う既存の方法は、通常、欠落した値で全データポイントを破棄するか、データ相関を通じてインプットする。 本稿では,グラフ畳み込みネットワークを用いて,隣り合う部分の特徴と,観察された部分条件間の依存関係を統合して,欠落した条件値の学習を行う。 グラフニューラルネットワークの他の変種とは異なり、提案手法は隣接する舗装部の条件間の依存関係を捉えることができる。 ケーススタディでは,テキサス交通オースチン地区から収集した舗装条件データを用いた。 実験により、提案したモデルが、欠落したデータを出力することで、有望な結果が得られることが示された。

関連論文リスト

• Model-Based Inference and Experimental Design for Interference Using Partial Network Data [4.76518127830168]
  本稿では,部分的ネットワークデータを用いた治療効果調整の評価と推定のためのフレームワークを提案する。 部分的ネットワークデータのみを用いて治療を割り当てる手順を説明する。 本研究では,インドとマラウイにおける情報拡散と観測グラフのシミュレーション実験によるアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-06-17T17:27:18Z)
• DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
  機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。 我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。 我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
  論文  参考訳（メタデータ） (2024-02-26T11:29:16Z)
• On the selection and effectiveness of pseudo-absences for species distribution modeling with deep learning [3.8974747170521287]
  種分布モデリングは、環境条件と種の発生との関係を理解するための汎用的なツールである。 この制限を克服するため、一般的なアプローチは、負のサンプルとして指定された特定の地理的位置である擬似存在を用いることである。 本稿では,これらの課題を多種ニューラルネットワークのトレーニングに擬似存在を統合することで効果的に対処できることを実証する。
  論文  参考訳（メタデータ） (2024-01-03T16:06:30Z)
• MissDiff: Training Diffusion Models on Tabular Data with Missing Values [29.894691645801597]
  この研究は、欠落した値を持つデータから学習するための統一的で原則化された拡散ベースのフレームワークを示す。 まず、広く採用されている「インプット・ザ・ジェネレーション」パイプラインが、バイアスのある学習目標に繋がる可能性があることを観察する。 提案手法は,データ分布のスコアの学習に一貫性があることを証明し,提案手法は特定の場合において負の確率の上限として機能する。
  論文  参考訳（メタデータ） (2023-07-02T03:49:47Z)
• ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks [18.66289473659838]
  本稿では、欠落したデータを計算するための革新的な深層学習手法を提案する。 グラフアテンションアーキテクチャを用いて、交通データに存在する空間的相関をキャプチャする。 双方向ニューラルネットワークを用いて時間情報を学習する。
  論文  参考訳（メタデータ） (2023-05-10T22:15:40Z)
• PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation [35.62945607302276]
  本稿では,PriSTI という先行モデルを用いた時空間計算のための条件拡散フレームワークを提案する。 PriSTIは、さまざまな現実世界データの欠落パターンにおいて既存の計算方法よりも優れており、高い欠落率やセンサーの故障といったシナリオを効果的に処理する。
  論文  参考訳（メタデータ） (2023-02-20T03:52:53Z)
• 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)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)

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。