Interpretación del efecto de la aplicación de redes generativas adversarias en el rendimiento del modelo de...

Área de la Ciencia:

• Ciencias Ambientales; Inteligencia Artificial; Gestión de la Calidad del Agua

Sus antecedentes:

• La predicción de floraciones de algas es vital para la gestión de la calidad del agua.; Los modelos basados en datos, especialmente el aprendizaje profundo, muestran potencial pero requieren datos extensos y de alta calidad.; La recopilación de datos ambientales del mundo real suele ser costosa y requiere mucho tiempo.

Objetivo del estudio:

• Investigar el impacto de los datos sintéticos generados por una Red Generativa Adversaria (GAN) de series temporales en el rendimiento de una red de Memoria a Corto y Largo Plazo (LSTM) para la predicción de floraciones de algas.; Comparar un modelo entrenado únicamente con datos reales (LSTM_REAL) con uno que incorpora datos generados por GAN (LSTM_GAN) a través de la destilación de conocimiento.; Evaluar la influencia de diferentes longitudes de secuencia de entrada en el rendimiento del modelo.

Principales métodos:

• Se empleó una GAN de series temporales para generar datos sintéticos.; Se utilizó una red de Memoria a Corto y Largo Plazo (LSTM) para la predicción de series temporales.; Se compararon dos escenarios: LSTM_REAL (solo datos reales) y LSTM_GAN (datos reales + GAN).; Se analizaron longitudes de secuencia de entrada de 3 a 18.; Se aplicó el análisis del valor de Shapley para cuantificar la importancia de los datos generados por GAN.

Principales resultados:

• El modelo LSTM_GAN con una longitud de secuencia de 6 logró el mejor rendimiento (NSE de 0.802).; El rendimiento varió con la longitud de la secuencia; LSTM_GAN mostró una mejora sobre LSTM_REAL para longitudes de 3-12 pero una degradación para longitudes de 15-18.; El análisis del valor de Shapley indicó que los datos generados por GAN contribuyeron con un 14.5%-24.3% a la importancia de las variables, lo que demuestra su influencia en la inferencia del modelo.; El impacto general del rendimiento de los datos GAN fue modesto, pero su contribución a la comprensión del modelo fue significativa.

Conclusiones:

• Los algoritmos de Red Generativa Adversaria (GAN) tienen potencial para mejorar los modelos de predicción de floraciones de algas al proporcionar datos sintéticos valiosos.; Los datos generados por GAN pueden influir significativamente en los procesos de inferencia internos de los modelos de aprendizaje profundo, incluso si las ganancias generales de rendimiento son modestas.; Se justifica una mayor investigación sobre la optimización de la integración de datos GAN y la selección de la longitud de la secuencia para mejorar la gestión de la calidad del agua a través de IA avanzada.