論文の概要: A Responsible Artificial Intelligence Framework for Groundwater Modeling
- arxiv url: http://arxiv.org/abs/2608.15657v1
- Date: Sun, 16 Aug 2026 09:59:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.3785
- Title: A Responsible Artificial Intelligence Framework for Groundwater Modeling
- Title（参考訳）: 地下水モデリングのための責任ある人工知能フレームワーク
- Abstract要約: 本稿では、透明性、技術的堅牢性、プライバシーガバナンス、公正性、説明責任、持続可能性の6つの責任AI原則を提案する。
LSTMとTransformerの時系列モデルは,マルチソース・ハイドロ気象データを用いて開発され,ポストホック解釈性,モンテカルロシミュレーション,シナリオ解析によって検証される。
その結果,Transformer は LSTM の精度,堅牢性,解釈可能性に優れており,気候変動や人的活動下での持続可能な水管理を支援するため,地下水予測における応答性AI 原則の操作性と実用的価値が示されている。
- 参考スコア（独自算出の注目度）: 6.608387434294069
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid development and widespread application of artificial intelligence (AI) have sparked intense discussions on how to deploy responsible AI systems in a manner aligned with human values and ethical standards. Compared to fields like healthcare, energy, or finance, the application of AI in groundwater is relatively limited, and research on responsible AI is even more scarce. Taking the middle reaches of the Heihe River Basin as the study area, this paper proposes six Responsible AI principles: transparency, technical robustness, privacy governance, fairness, accountability, and sustainability. LSTM and Transformer time-series models are developed using multi-source hydrometeorological data, and validated via post-hoc interpretability, Monte Carlo simulation, and scenario analysis. The results show that Transformer outperforms LSTM in accuracy, robustness, and interpretability, demonstrating the operability and practical value of Responsible AI principles in groundwater prediction to support sustainable water management under climate change and human activities.
- Abstract（参考訳）: 人工知能(AI)の急速な開発と広範な応用が、人間の価値観や倫理基準に沿った方法で責任あるAIシステムをデプロイする方法に関する激しい議論を引き起こしている。
医療、エネルギー、金融といった分野と比較して、地下水におけるAIの適用は比較的限られており、責任あるAIの研究はより少ない。
本稿では,ハイエ川流域の中流域を研究領域として,透明性,技術的堅牢性,プライバシガバナンス,公正性,説明責任,持続可能性の6つの責任AI原則を提案する。
LSTMとTransformerの時系列モデルは,マルチソース・ハイドロ気象データを用いて開発され,ポストホック解釈性,モンテカルロシミュレーション,シナリオ解析によって検証される。
その結果,Transformer は LSTM を精度,堅牢性,解釈可能性で上回り,気候変動や人的活動下での持続可能な水管理を支援するため,地下水予測における応答性AI 原則の操作性と実用的価値を実証した。
関連論文リスト
- Context-Aware Concept Distillation for Trustworthy Flood Prediction [0.0]
洪水リスク管理は正確な予測に頼っているが、最先端のディープラーニングモデルの“ブラックボックス”の性質は、高リスクの公衆安全判断における信頼性と説明責任の障壁を生み出している。
本研究では,不透明なLSTMを解釈可能・水文認識サロゲートモデルに蒸留するために,ドメインエキスパートと共同で開発されたフレームワークであるCACDを提案する。
論文 参考訳（メタデータ） (2026-07-25T14:45:26Z) - Synthesizing the Expert: A Validated Multimodal Dataset for Trustworthy AI-Assisted Swimming Coaching [0.6445605125467574]
本研究では、水泳分野における高度なAIアプリケーションのための構造化された検索補助生成(RAG)システムに焦点を当てる。
本研究では,4次元にまたがる多モーダルな知識ベースを活用する新しい生成フレームワークを提案する。
構造化され合成された地上の真実を提供することで、この研究は水族学における信頼できるAIの基礎的なベンチマークを確立する。
論文 参考訳（メタデータ） (2026-05-12T22:34:33Z) - Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。
我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
論文 参考訳（メタデータ） (2026-03-31T13:29:20Z) - Toward Carbon-Neutral Human AI: Rethinking Data, Computation, and Learning Paradigms for Sustainable Intelligence [2.7946918847372277]
本稿では,大規模で静的なデータセットとモノリシックなトレーニングパラダイムへの依存度を批判する。
我々は,段階的な学習,炭素認識の最適化,ループ内の人間とのコラボレーションを重視した,新しいフレームワークであるHuman AIを紹介した。
論文 参考訳（メタデータ） (2025-10-27T17:02:30Z) - Distributed AI Agents for Cognitive Underwater Robot Autonomy [5.644612398323221]
本稿では,水中ロボットによる自己組織自律(UROSA)について述べる。
UROSAは、ロボットオペレーティングシステム2(ROS2)フレームワークに統合された分散大言語モデルAIエージェントを活用する画期的なアーキテクチャである。
中心的なイノベーションには、動的に役割を適応するフレキシブルエージェント、検索拡張生成、自動オンザフライROS 2ノード生成などがある。
論文 参考訳（メタデータ） (2025-07-31T17:18:55Z) - Open and Sustainable AI: challenges, opportunities and the road ahead in the life sciences (October 2025 -- Version 2) [49.142289900583705]
我々は、AI研究成果に対する信頼の侵食の増加についてレビューする。
我々は、AIエコシステムの断片化されたコンポーネントと、OpenとSustainable AIを最大限にサポートするためのガイドパスの欠如について論じる。
私たちの研究は、研究者と関連するAIリソースを結びつけることで、持続可能な、再利用可能な、透過的なAIの実装を容易にします。
論文 参考訳（メタデータ） (2025-05-22T12:52:34Z) - Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。
まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。
我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
論文 参考訳（メタデータ） (2025-05-13T17:59:20Z) - AIJIM: A Scalable Model for Real-Time AI in Environmental Journalism [0.0]
AIJIMは、リアルタイムAIを環境ジャーナリズムに統合するためのフレームワークである。
2024年にマルロルカ島で試験飛行を行った。
検出精度85.4%、専門家のアノテーションとの89.7%の合意に達した。
論文 参考訳（メタデータ） (2025-03-19T19:00:24Z) - Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。
ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。
汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
論文 参考訳（メタデータ） (2025-03-13T01:50:50Z) - Towards an Autonomous Surface Vehicle Prototype for Artificial Intelligence Applications of Water Quality Monitoring [68.41400824104953]
本稿では,人工知能アルゴリズムの利用と水質モニタリングのための高感度センシング技術に対処する車両プロトタイプを提案する。
車両には水質パラメータと水深を測定するための高品質なセンサーが装備されている。
ステレオカメラにより、実際の環境でのマクロプラスチックの検出と検出も可能である。
論文 参考訳（メタデータ） (2024-10-08T10:35:32Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z)
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。