Environmental Sensor Placement with Convolutional Gaussian Neural Processes

要約

環境センサーは、気象条件や気候変動の影響を監視するために不可欠です。
しかし、特に南極のような遠隔地では、測定値の有益性を最大限に高める方法でセンサーを配置するのは困難です。
確率的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることで、有益なセンサーの配置を提案できます。
ガウス過程 (GP) モデルはこの目的で広く使用されていますが、複雑な非定常挙動を捕捉したり、大規模なデータセットに拡張したりするのに苦労しています。
この論文では、畳み込みガウス ニューラル プロセス (ConvGNP) を使用してこれらの問題に対処することを提案します。
ConvGNP はニューラル ネットワークを使用して、任意のターゲット位置での結合ガウス分布をパラメータ化し、柔軟性と拡張性を実現します。
ConvGNP は、南極上空の地表気温の異常をトレーニング データとしてシミュレートして使用し、空間的および季節的非定常性を学習し、非定常 GP ベースラインを上回るパフォーマンスを発揮します。
シミュレートされたセンサー配置実験では、ConvGNP は GP ベースラインよりも新しい観測から得られるパフォーマンス向上をより正確に予測し、より有益なセンサー配置につながります。
私たちは、私たちのアプローチを物理ベースのセンサー配置方法と対比し、運用可能なセンサー配置推奨システムに向けた将来のステップを提案します。
私たちの取り組みは、測定サンプリングを積極的に指示して現実のデジタル表現を改善する環境デジタルツインの実現に役立つ可能性があります。

要約(オリジナル)

Environmental sensors are crucial for monitoring weather conditions and the impacts of climate change. However, it is challenging to place sensors in a way that maximises the informativeness of their measurements, particularly in remote regions like Antarctica. Probabilistic machine learning models can suggest informative sensor placements by finding sites that maximally reduce prediction uncertainty. Gaussian process (GP) models are widely used for this purpose, but they struggle with capturing complex non-stationary behaviour and scaling to large datasets. This paper proposes using a convolutional Gaussian neural process (ConvGNP) to address these issues. A ConvGNP uses neural networks to parameterise a joint Gaussian distribution at arbitrary target locations, enabling flexibility and scalability. Using simulated surface air temperature anomaly over Antarctica as training data, the ConvGNP learns spatial and seasonal non-stationarities, outperforming a non-stationary GP baseline. In a simulated sensor placement experiment, the ConvGNP better predicts the performance boost obtained from new observations than GP baselines, leading to more informative sensor placements. We contrast our approach with physics-based sensor placement methods and propose future steps towards an operational sensor placement recommendation system. Our work could help to realise environmental digital twins that actively direct measurement sampling to improve the digital representation of reality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google