論文の概要: Unraveled Multilevel Transformation Networks for Predicting Sparsely-Observed Spatiotemporal Dynamics

• arxiv url: http://arxiv.org/abs/2203.08655v1
• Date: Wed, 16 Mar 2022 14:44:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 18:23:18.049855
• Title: Unraveled Multilevel Transformation Networks for Predicting Sparsely-Observed Spatiotemporal Dynamics
• Title（参考訳）: スパース観測時空間ダイナミクス予測のための未達成マルチレベル変換ネットワーク
• Authors: Priyabrata Saha and Saibal Mukhopadhyay
• Abstract要約: 疎分散データサイトからのデータを用いて未知のダイナミクスを予測するモデルを提案する。 合成気候データと実世界の気候データの両方を用いて、我々のアプローチの利点を実証する。
• 参考スコア（独自算出の注目度）: 12.627823168264209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the problem of predicting complex, nonlinear spatiotemporal dynamics when available data is recorded at irregularly-spaced sparse spatial locations. Most of the existing deep learning models for modeling spatiotemporal dynamics are either designed for data in a regular grid or struggle to uncover the spatial relations from sparse and irregularly-spaced data sites. We propose a deep learning model that learns to predict unknown spatiotemporal dynamics using data from sparsely-distributed data sites. We base our approach on Radial Basis Function (RBF) collocation method which is often used for meshfree solution of partial differential equations (PDEs). The RBF framework allows us to unravel the observed spatiotemporal function and learn the spatial interactions among data sites on the RBF-space. The learned spatial features are then used to compose multilevel transformations of the raw observations and predict its evolution in future time steps. We demonstrate the advantage of our approach using both synthetic and real-world climate data.
• Abstract（参考訳）: 本稿では,不規則な空間的位置で利用可能なデータが記録されたときに,複雑で非線形な時空間ダイナミクスを予測する問題に対処する。 時空間力学をモデル化するための既存のディープラーニングモデルのほとんどは、正規グリッド内のデータのために設計されているか、スパースや不規則に間隔を置いたデータサイトから空間関係を明らかにするのに苦労している。 疎分散データサイトからのデータを用いて,未知の時空間ダイナミクスを学習する深層学習モデルを提案する。 我々は、偏微分方程式(PDE)のメッシュフリー解によく用いられる放射基底関数(RBF)のコロケーション法に基づく。 RBFフレームワークにより、観測された時空間関数を解き、RBF空間上のデータサイト間の空間的相互作用を学習することができる。 学習された空間的特徴は、生観測のマルチレベル変換を構成し、将来の時間ステップでその進化を予測するために使用される。 合成および実世界の気候データを用いて,本手法の利点を実証する。

関連論文リスト

• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
  現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。 この問題に対処するために,ST-FiTというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T17:51:29Z)
• Linear Attention is Enough in Spatial-Temporal Forecasting [0.0]
  本稿では,道路ネットワークにおけるノードを独立した時空間トークンとして扱うことを提案する。 次に、それらをバニラ変換器に入力して、複雑な時空間パターンを学習します。 我々のコードは、手頃な計算コストで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-08-17T10:06:50Z)
• FedASTA: Federated adaptive spatial-temporal attention for traffic flow prediction [30.346763969306398]
  モバイルデバイスとIoT(Internet of Things)デバイスは、今日では大量の異種空間時間データを生成している。 プライバシーの懸念の下で空間的時間的ダイナミクスをモデル化することは依然として難しい問題である。 動的空間時間関係をモデル化するための新しいFedASTAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-21T11:44:07Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
  深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。 本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
  論文  参考訳（メタデータ） (2022-11-27T16:51:28Z)
• Continuous PDE Dynamics Forecasting with Implicit Neural Representations [24.460010868042758]
  空間連続関数の連続時間ダイナミクスを用いたPDE流れに対する新しいデータ駆動型アプローチを提案する。 これは、Implicit Neural Representationsによる離散化とは無関係に空間外挿を埋め込むことによって達成される。 任意の空間的および時間的位置で外挿し、テスト時にスパースグリッドや不規則なデータを学習し、新しいグリッドや解像度に一般化する。
  論文  参考訳（メタデータ） (2022-09-29T15:17:50Z)
• A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning [0.0]
  本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。 具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。 実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-23T07:44:04Z)

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。