[논문 리뷰] Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations

Ehsan Adeli, Jize Zhang외 1명|arXiv (Cornell University)|2021. 11. 02.

Precipitation Measurement and Analysis인용 수 4

한 줄 요약

이 논문은 태풍 tidal 및 surge 데이터의 공간-시간 누락 데이터를 복원하기 위해 컨volutional generative adversarial imputation network (CGAIN)을 제안한다. U-Net 기반 생성기와 적대적 훈련을 결합함으로써 CGAIN은 고해상도로 누락된 수문학적 데이터를 효과적으로 복원하며, 다양한 태풍 시나리오에서 RMSE 및 구조적 유사도 지표에서 기준 방법보다 뚜렷이 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 센서 고장 또는 극단적 사건으로 인한 태풍 surge 시뮬레이션에서 발생하는 공간-시간 누락 데이터 문제를 해결한다.
• 기존의 보간 방법과 비교해 더 높은 정확도와 물리적 일관성을 확보한 복원된 태풍 surge 필드를 개선한다.
• 유체역학 데이터의 국소적 공간적 맥락과 전역적 시간적 의존성을 활용하는 딥러닝 프레임워크를 개발한다.
• 복원된 데이터가 해안홍수 위험 평가에 필수적인 현실적인 공간 패턴과 시간적 동역학을 유지하도록 보장한다.

제안 방법

• 에코더-디코더 아키텍처에 스킵 연결을 통합한 U-Net 기반 생성기 네트워크를 활용하여 태풍 surge 필드의 누락된 공간-시간 영역을 복원한다.
• 실제 데이터와 생성된(보정된) 데이터를 구분하는 컨볼루션 판별기 네트워크를 훈련시켜 현실적인 공간적 및 시간적 패턴을 강제한다.
• 지역적 현실감과 복원 영역의 구조적 일관성을 유도하기 위해 패치 기반 적대적 손실을 사용한다.
• 사전 훈련된 VGG 네트워크의 특징 맵을 기반으로 한 퍼셉추얼 손실을 통합하여 고수준의 공간적 구조를 유지한다.
• 적대적 손실, 퍼셉추얼 손실, 및 재구성 손실(MSE)을 조합한 다중 목표 손실을 최적화하여 정밀도를 향상시킨다.
• 실제 세계의 데이터 누락을 시뮬레이션하기 위해 합성 누락 데이터를 포함한 역사적 태풍 surge 시뮬레이션을 기반으로 모델을 엔드 투 엔드로 훈련시킨다.

실험 결과

연구 질문

• RQ1 적대적 아키텍처를 갖춘 GAN이 물리적 현실감을 유지하면서도 누락된 공간-시간 태풍 surge 데이터를 효과적으로 복원할 수 있는가?
• RQ2 CGAIN는 기존의 보간 방법(예: KNN, 행렬 분해)과 비교해 재구성 정확도 및 구조적 유사도 측면에서 어떻게 성능을 냈는가?
• RQ3 퍼셉추얼 손실과 적대적 손실의 통합이 복원된 surge 필드의 현실감을 어느 정도 향상시키는가?
• RQ4 다양한 패턴과 크기의 누락 데이터에 대해 CGAIN는 다양한 태풍 사건에서 얼마나 강건한가?

주요 결과

• CGAIN는 다양한 합성 누락 데이터 시나리오에서 기준 방법(예: KNN, 행렬 분해) 대비 RMSE가 35–50% 낮게 기록했다.
• 모델은 기준 방법 대비 구조적 유사도(SSIM)를 20% 이상 향상시켜 공간 패턴과 surge 동역학의 보존 능력이 뛰어나다는 것을 보여주었다.
• 퍼셉추얼 손실과 적대적 손실의 통합은 광범위한 누락 데이터 영역에서도 시각적 및 구조적 현실감을 크게 향상시켰다.
• 생성기 네트워크는 surge 필드의 복잡한 시간적 변화, 특히 최고치 발생 시점과 surge 수위의 공간적 전파를 효과적으로 포착했다.
• 대칭적이고 비대칭적인 외계대기 시스템을 포함한 다양한 태풍 시나리오에서 강건성을 입증했다.
• 제거 실험을 통해 적대적 손실과 퍼셉추얼 손실의 조합이 고정밀 복원에 핵심적임을 확인했으며, 개별 손실 성분보다 뛰어난 성능을 보였다.