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
- 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) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
C$2$TSDという条件拡散フレームワークを導入する。
実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
論文 参考訳（メタデータ） (2024-02-18T11:59:04Z) - 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) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - 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。