論文の概要: Transfer Learning for Dead Fuel Moisture Prediction Using Time-Warping Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2605.08379v1
• Date: Fri, 08 May 2026 18:37:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.59947
• Title: Transfer Learning for Dead Fuel Moisture Prediction Using Time-Warping Recurrent Neural Networks
• Title（参考訳）: 時流リカレントニューラルネットワークを用いたデッド燃料水分予測のための伝達学習
• Authors: Jonathon Hirschi, Jan Mandel, Adam Kochanski,
• Abstract要約: 10h FMCで事前訓練したRNNを用いて1h,100h,1000h燃料のFMCを予測する。 オクラホマ州で行われたランドマークフィールド研究のデータを用いて,本手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a time-warping transfer learning method, a technique for temporally rescaling the learned dynamics of a recurrent neural network (RNN) with a Long Short-Term Memory (LSTM) layer to enable task transfer across fuel moisture classes. Fuel moisture content (FMC) is divided into idealized classes based on characteristic lag time. Large quantities of real-time data are available for 10h fuels from sensors on weather stations, but observations of other fuel classes are sparse in space and time. We use transfer learning to adapt an RNN pretrained on 10h FMC to predict FMC for 1h, 100h, and 1000h fuels. We validate this method using data from a landmark field study conducted in Oklahoma that was used to calibrate the state-of-the-art Nelson fuel moisture model.
• Abstract（参考訳）: 本稿では,リカレントニューラルネットワーク(RNN)の学習力学をLong Short-Term Memory(LSTM)層で時間的に再スケーリングすることで,燃料の水分クラス間でのタスク伝達を可能にする方法を提案する。 燃料含水率 (FMC) は, 特性ラグ時間に基づいて理想化されたクラスに分類される。 気象観測所のセンサーから得られる10hの燃料には大量のリアルタイムデータが利用できるが、他の燃料クラスの観測は空間と時間で少ない。 10h FMCで事前訓練したRNNを用いて1h,100h,1000h燃料のFMCを予測する。 オクラホマ州で実施されたランドマークフィールド調査から得られたデータを用いて,この手法の有効性を検証した。

関連論文リスト

• Time-Warping Recurrent Neural Networks for Transfer Learning [0.0]
  本論文は、時間ワープに基づくリカレントニューラルネットワーク(RNN)のための新しいトランスファー学習法を提案する。 時間ワープ法は、いくつかの既知の移動学習法に対して評価される。
  論文  参考訳（メタデータ） (2026-04-02T19:10:08Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
  本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。 データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。 このデータにより、特定の環境における占有などの事象を検出することができる。
  論文  参考訳（メタデータ） (2023-07-05T12:50:48Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• A CNN-Transformer Deep Learning Model for Real-time Sleep Stage Classification in an Energy-Constrained Wireless Device [2.5672176409865686]
  本稿では,単一チャネル脳波データに基づく自動睡眠ステージ分類のためのディープラーニング(DL)モデルを提案する。 このモデルは、ローカル処理によるリアルタイム操作のために、エネルギーとメモリ制限されたデバイス上で動作するように設計された。 我々は、Arduino Nano 33 BLEボード上で、提案モデルの小型版をテストし、完全に機能し、精度が高かった。
  論文  参考訳（メタデータ） (2022-11-20T16:22:30Z)
• Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach [6.203371866342754]
  交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。 現在の研究では、長期的な交通予測(30分以上)は依然として難しい。 予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
  論文  参考訳（メタデータ） (2022-11-06T05:41:39Z)
• Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
  スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。 本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。 CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
  論文  参考訳（メタデータ） (2022-10-10T10:05:00Z)
• Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
  風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。 我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。 提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
  論文  参考訳（メタデータ） (2021-07-01T13:13:24Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
  フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。 異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。 実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
  論文  参考訳（メタデータ） (2020-06-07T08:10:47Z)

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。