論文の概要: TriHead-GAN: A Generative Adversarial Network with Triple-Head Discriminator for Carbon Emission Time Series Generation

• arxiv url: http://arxiv.org/abs/2606.07569v1
• Date: Tue, 26 May 2026 02:48:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.731889
• Title: TriHead-GAN: A Generative Adversarial Network with Triple-Head Discriminator for Carbon Emission Time Series Generation
• Title（参考訳）: TriHead-GAN : 炭素排出時系列生成のための三重判別器を用いた生成逆ネットワーク
• Authors: Zesen Wang, Lijuan Lan, Yonggang Li, Chunhua Yang,
• Abstract要約: 時系列生成は自然な治療法であるが、既存のGANと拡散に基づくジェネレータは、しばしば二酸化炭素排出量データの領域構造を限定的に監督する。 本稿では,3重頭部判別器が関節分布の3つの相補的側面を相補的に監督するトランスフォーマーベースの対向フレームワークであるTriHead-GANを提案する。 このジェネレータは、グローバルな自己注意と局所的な時間的畳み込み、ステップごとのノイズ注入、およびファーストディファレンス統計に一致するアンチ・スムーシング・ロスを組み合わせている。
• 参考スコア（独自算出の注目度）: 24.675294562363252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate carbon emission monitoring is critical for climate policy and emerging regulatory mechanisms such as the EU Carbon Border Adjustment Mechanism, yet city-level high-frequency monitoring data remain extremely scarce, severely limiting data-hungry deep learning models. Time series generation is a natural remedy, but existing GAN and diffusion-based generators often provide limited explicit supervision for the domain structure of carbon emission data: they may match marginal distributional statistics while insufficiently preserving cross-variable correlations between CO$_2$ and co-emitted pollutants and meteorological factors, and tend to collapse the first-difference statistics of atmospheric measurements, producing sequences that are smooth on average but lack the realistic step-wise variability of the underlying signals. We propose TriHead-GAN, a Transformer-based adversarial framework whose triple-head discriminator jointly supervises three complementary aspects of the joint distribution: distributional authenticity via a Wasserstein critic, cross-variable dependency via leakage-free regression of the target variable, and step-wise temporal smoothness via adjacent-difference prediction. The generator combines global self-attention with local temporal convolution, per-step noise injection, and an anti-smoothing loss that matches first-difference statistics. Experiments on the self-collected Changsha Carbon dataset, two public carbon datasets (China, US), and the ETTh1 benchmark show that TriHead-GAN achieves favorable performance over mainstream baselines on the vast majority of settings, and that the resulting synthetic windows improve downstream forecasting accuracy in low-resource carbon monitoring scenarios.
• Abstract（参考訳）: 正確な二酸化炭素排出量のモニタリングは、気候政策やEUの炭素境界調整機構のような新たな規制機構にとって重要であるが、都市レベルの高頻度モニタリングデータは非常に少ないままであり、データ不足の深層学習モデルを著しく制限している。 それらはCO$2$とco-emittedの汚染物質と気象要因の間の相互変数の相関を不十分に保ちながら、限界分布統計と一致し、大気測定の1次偏差統計を崩壊させ、平均的に滑らかなシーケンスを生成するが、基礎となる信号の現実的な段階的変動を欠く傾向がある。 本稿では,3頭部判別器が共同分布の3つの相補的側面を共同で監督するトランスフォーマーベースの対向フレームワークであるTriHead-GANを提案する。 このジェネレータは、グローバルな自己注意と局所的な時間的畳み込み、ステップごとのノイズ注入、およびファーストディファレンス統計に一致するアンチ・スムーシング・ロスを組み合わせている。 自己収集したChangsha Carbonデータセットと2つの公開カーボンデータセット(中国、米国)、ETTh1ベンチマークの実験では、TriHead-GANは、ほとんどの設定でメインストリームベースラインよりも良好なパフォーマンスを実現し、結果として生成された合成ウィンドウは、低リソースの炭素モニタリングシナリオにおいて、下流予測精度を改善する。

関連論文リスト

• FLUXtrapolation: A benchmark on extrapolating ecosystem fluxes [5.783209075645275]
  FLUXトラポーレーション(FLUXtrapolation)は、生態系のフラックスを、徐々に難しい分布シフトの下で外挿するためのベンチマークである。 FLUXtrapolationは、フラックスアップスケーリングに関するドメインの専門知識に基づいて設計されている。
  論文  参考訳（メタデータ） (2026-05-19T13:09:05Z)
• Task Aware Modulation Using Representation Learning for Upsaling of Terrestrial Carbon Fluxes [1.3663949573259215]
  既存のデータ駆動のアップスケーリング製品は、観測されたドメインを超えて一般化できないことが多い。 表象学習(TAM-RL)を用いたタスク・アウェア・モジュレーション(タスク・アウェア・モジュレーション)について紹介する。 TAM-RLは既存の最先端データセットと比較して予測性能を改善する。
  論文  参考訳（メタデータ） (2026-03-10T17:59:29Z)
• Bi Directional Feedback Fusion for Activity Aware Forecasting of Indoor CO2 and PM2.5 [29.9983891051718]
  二酸化炭素 (CO2) や微粒子物質 (PM2.5) などの主要な汚染物質の将来の濃度を予測することは依然として困難である。 従来のデータ駆動モデルは、過去のセンサーの軌跡に依存しており、しばしば行動誘発放出のスパイクや急激な集中シフトを予測できない。 室内環境の進化と行動誘導型埋め込みを共同でモデル化した,双方向の双方向フィードバック融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-06T01:21:44Z)
• Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
  大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。 本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
  論文  参考訳（メタデータ） (2025-10-28T01:18:00Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Air Quality Prediction with A Meteorology-Guided Modality-Decoupled Spatio-Temporal Network [47.699409089023696]
  大気質の予測は公衆衛生と環境保護において重要な役割を担っている。 既存の研究は大気の質予測において重要な役割を過小評価している。 MDSTNetは、予測のための大気汚染依存性を明示的にキャプチャするエンコーダフレームワークである。 ChinaAirNetは、大気の質記録と多気圧レベルの気象観測を組み合わせた最初のデータセットである。
  論文  参考訳（メタデータ） (2025-04-14T09:18:11Z)
• Enhancing Robustness Of Digital Shadow For CO2 Storage Monitoring With Augmented Rock Physics Modeling [0.276240219662896]
  時間ラプス地震イメージングはCO2の移動を追跡するのに不可欠であるが、多相下流の複雑さを捉えるのにしばしば苦労する。 非線形ベイズフィルタリングや生成AIといった機械学習駆動のデータ同化技術を活用するDigital Shadows(DS)は、より詳細で不確実性を認識した監視アプローチを提供する。 本研究では,様々な岩石物理モデルによる予測アンサンブルの増大が誤った仮定の影響を緩和し,予測精度を向上させることを示す。
  論文  参考訳（メタデータ） (2025-02-11T01:33:35Z)
• Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
  CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。 微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。 5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
  論文  参考訳（メタデータ） (2024-09-29T08:18:50Z)

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。