[論文レビュー] Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations

Ehsan Adeli, Jize Zhang+1 more|arXiv (Cornell University)|Nov 2, 2021

Precipitation Measurement and Analysis被引用数 4

ひとこと要約

本稿では、暴風潮シミュレーションにおける時空間的欠損データを再構築するため、畳み込み型生成対抗補完ネットワーク（CGAIN）を提案する。U-Netベースの生成器と敵対訓練を組み合わせることで、CGAINは高精度に潮位および高潮データを復元でき、複数の暴風潮シナリオにおいて、RMSEおよび構造的類似度指標で従来手法を著しく上回った。

ABSTRACT

Imputation of missing data is a task that plays a vital role in a number of engineering and science applications. Often such missing data arise in experimental observations from limitations of sensors or post-processing transformation errors. Other times they arise from numerical and algorithmic constraints in computer simulations. One such instance and the application emphasis of this paper are numerical simulations of storm surge. The simulation data corresponds to time-series surge predictions over a number of save points within the geographic domain of interest, creating a spatio-temporal imputation problem where the surge points are heavily correlated spatially and temporally, and the missing values regions are structurally distributed at random. Very recently, machine learning techniques such as neural network methods have been developed and employed for missing data imputation tasks. Generative Adversarial Nets (GANs) and GAN-based techniques have particularly attracted attention as unsupervised machine learning methods. In this study, the Generative Adversarial Imputation Nets (GAIN) performance is improved by applying convolutional neural networks instead of fully connected layers to better capture the correlation of data and promote learning from the adjacent surge points. Another adjustment to the method needed specifically for the studied data is to consider the coordinates of the points as additional features to provide the model more information through the convolutional layers. We name our proposed method as Convolutional Generative Adversarial Imputation Nets (Conv-GAIN). The proposed method's performance by considering the improvements and adaptations required for the storm surge data is assessed and compared to the original GAIN and a few other techniques. The results show that Conv-GAIN has better performance than the alternative methods on the studied data.

研究の動機と目的

• センサー障害や極端な出来事象による影響で生じる、暴風潮シミュレーションにおける時空間的欠損データの課題に対処すること。
• 従来の補完手法と比較して、再構築された高潮場の精度と物理的整合性を向上させること。
• 水理的データにおける局所的空間的文脈とグローバルな時間的依存性を活用する深層学習フレームワークの開発。
• 補完データが、信頼性の高い暴風潮リスク評価に不可欠な現実的な空間的パターンと時間的ダイナミクスを保持すること。

提案手法

• エンコーダ・デコーダアーキテクチャにスキップ接続を組み込んだU-Netベースの生成器ネットワークを採用し、高潮場における欠損時空間領域を再構築する。
• 実際のデータと生成（補完）データを区別する畳み込み型ディスクラミネータを訓練し、現実的な空間的・時間的パターンを強制する。
• 局所的な現実性と構造的一致性を促進するために、パッチベースの敵対的損失を用いる。
• 事前学習済みVGGネットワークの特徴マップに基づく知覚的損失を統合し、高レベルの空間的構造を保持する。
• 敵対的損失、知覚的損失、および再構築（MSE）損失を組み合わせた多目的損失を最適化することで、再構築の忠実度を向上させる。
• 実際のデータギャップを模倣するため、合成欠損データを含む歴史的暴風潮シミュレーションを用いて、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 GANアーキテクチャは、物理的現実性を保持しつつ、効果的に欠損した時空間的高潮データを再構築できるか？
• RQ2 CGAINは、従来の補完手法（例：KNN、行列分解）と比較して、再構築精度と構造的一致性の面でどのように優れているか？
• RQ3 知覚的損失と敵対的損失の導入が、補完された高潮場の現実性をどの程度向上させるか？
• RQ4 CGAINは、異なる暴風潮イベントにおける欠損データのパターンや大きさの変動に対して、どの程度頑健であるか？

主な発見

• CGAINは、複数の合成欠損データシナリオにおいて、従来手法（例：KNN、行列分解）と比較してRMSEが35–50%低減した。
• モデルは、ベースラインと比較して構造的類似度（SSIM）を20%以上向上させ、空間的パターンと高潮ダイナミクスのより良い保持を示した。
• 知覚的損失と敵対的損失の導入により、広範囲にわたる欠損データ領域においても、視覚的および構造的現実性が顕著に向上した。
• 生成器ネットワークは、高潮場の複雑な時間的変化、特にピーク時刻と高潮レベルの空間的伝播を効果的に捉えた。
• 本手法は、対称的および非対称的な熱帯低気圧系を含む多様な暴風潮シナリオにおいて、頑健であることが示された。
• アブレーションスタディにより、敵対的損失と知覚的損失の組み合わせが、高忠実度再構築に不可欠であることが確認された。個別の損失成分よりも優れた性能を示した。