論文の概要: Heterogeneous Data Fusion Considering Spatial Correlations using Graph
Convolutional Networks and its Application in Air Quality Prediction
- arxiv url: http://arxiv.org/abs/2105.13125v1
- Date: Mon, 24 May 2021 15:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-29 15:56:00.493886
- Title: Heterogeneous Data Fusion Considering Spatial Correlations using Graph
Convolutional Networks and its Application in Air Quality Prediction
- Title（参考訳）: グラフ畳み込みネットワークを用いた空間相関を考慮した異種データ融合とその大気質予測への応用
- Authors: Zhengjing Ma, Gang Mei, Salvatore Cuomo, Francesco Piccialli
- Abstract要約: 本稿では, グラフ畳み込みネットワーク(GCN)を用いて, 複数のモニタリングポイントから収集した異種データを融合する深層学習手法を提案する。
大気質予測の適用シナリオでは,RBF法に基づく核融合法から得られた融解データが良好な整合性を実現することが観察された。
提案手法は,研究領域に散在する複数のモニタリングポイントから連続した異種データを収集するシナリオに適用できる。
- 参考スコア（独自算出の注目度）: 4.9960351797442515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heterogeneous data are commonly adopted as the inputs for some models that
predict the future trends of some observations. Existing predictive models
typically ignore the inconsistencies and imperfections in heterogeneous data
while also failing to consider the (1) spatial correlations among monitoring
points or (2) predictions for the entire study area. To address the above
problems, this paper proposes a deep learning method for fusing heterogeneous
data collected from multiple monitoring points using graph convolutional
networks (GCNs) to predict the future trends of some observations and evaluates
its effectiveness by applying it in an air quality predictions scenario. The
essential idea behind the proposed method is to (1) fuse the collected
heterogeneous data based on the locations of the monitoring points with regard
to their spatial correlations and (2) perform prediction based on global
information rather than local information. In the proposed method, first, we
assemble a fusion matrix using the proposed RBF-based fusion approach; second,
based on the fused data, we construct spatially and temporally correlated data
as inputs for the predictive model; finally, we employ the spatiotemporal graph
convolutional network (STGCN) to predict the future trends of some
observations. In the application scenario of air quality prediction, it is
observed that (1) the fused data derived from the RBF-based fusion approach
achieve satisfactory consistency; (2) the performances of the prediction models
based on fused data are better than those based on raw data; and (3) the STGCN
model achieves the best performance when compared to those of all baseline
models. The proposed method is applicable for similar scenarios where
continuous heterogeneous data are collected from multiple monitoring points
scattered across a study area.
- Abstract（参考訳）: 不均質なデータは、いくつかの観測の将来の傾向を予測するいくつかのモデルの入力として一般的に採用されている。
既存の予測モデルは、通常、異種データの矛盾や不完全性を無視する一方で、(1)監視点間の空間的相関や(2)研究領域全体の予測を考慮しない。
本稿では,複数の監視点から収集した不均質データをグラフ畳み込みネットワーク(gcns)を用いて融合して観測結果の今後の傾向を予測し,その効果を空気質予測シナリオに適用することで評価する深層学習手法を提案する。
提案手法の背後にある基本的な考え方は,(1)収集した異種データを,その空間的相関関係に基づいて監視点の位置に基づいて融合し,(2)局所情報よりもグローバル情報に基づく予測を行うことである。
提案手法では,まず,提案する rbf-based fusion 法を用いて融合行列を組み立てる。第2に,融合データに基づいて,予測モデルの入力として空間的および時間的に相関したデータを構成し,最後に,時空間グラフ畳み込みネットワーク(stgcn)を用いて観測の今後の傾向を予測する。
大気質予測の応用シナリオでは,(1)rbfに基づく核融合法に基づく融合データの性能が良好な一貫性を達成し,(2)融解データに基づく予測モデルの性能が生データに基づくものよりも優れていること,(3)stgcnモデルが全てのベースラインモデルと比較して最高の性能を達成することが観察された。
提案手法は,研究領域に散在する複数のモニタリングポイントから連続した異種データを収集するシナリオに適用できる。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Sub-graph Based Diffusion Model for Link Prediction [43.15741675617231]
拡散確率モデル(Denoising Diffusion Probabilistic Models, DDPM)は、例外的な品質を持つ同時代の生成モデルである。
本研究では,ベイズ式による確率推定過程を分解するために,専用設計を用いたリンク予測のための新しい生成モデルを構築した。
提案手法は,(1)再トレーニングを伴わないデータセット間の転送可能性,(2)限られたトレーニングデータに対する有望な一般化,(3)グラフ敵攻撃に対する堅牢性など,多くの利点を示す。
論文 参考訳（メタデータ） (2024-09-13T02:23:55Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - CODA: Temporal Domain Generalization via Concept Drift Simulator [34.21255368783787]
現実世界のアプリケーションでは、基礎となる時間的傾向から生じる共同分布の変化により、機械学習モデルは時代遅れになることが多い。
本研究では,予測特徴相関行列を組み込んだCOncept Drift simulAtorフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-02T18:04:34Z) - Out of Distribution Detection via Domain-Informed Gaussian Process State
Space Models [22.24457254575906]
ロボットが見えないシナリオを安全にナビゲートするためには、オンラインのトレーニング外配布(OoD)状況を正確に検出することが重要である。
我々は,既存のドメイン知識をカーネルに埋め込む新しい手法を提案し,また(ii)遅延水平予測に基づくOoDオンラインランタイムモニタを提案する。
論文 参考訳（メタデータ） (2023-09-13T01:02:42Z) - A Federated Learning-based Industrial Health Prognostics for
Heterogeneous Edge Devices using Matched Feature Extraction [16.337207503536384]
本稿では,特徴類似性マッチングパラメータアグリゲーションアルゴリズムを用いたFL型健康予後モデルを提案する。
提案手法は, 健康状態推定と生活寿命推定において, 44.5%, 39.3%の精度向上を達成できることを示す。
論文 参考訳（メタデータ） (2023-05-13T07:20:31Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - OR-Net: Pointwise Relational Inference for Data Completion under Partial
Observation [51.083573770706636]
この作業はリレーショナル推論を使って不完全なデータを埋めます。
本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
論文 参考訳（メタデータ） (2021-05-02T06:05:54Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳（メタデータ） (2021-03-18T11:34:08Z)
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。