論文の概要: A generalized regionalization framework for geographical modelling and its application in spatial regression

• arxiv url: http://arxiv.org/abs/2206.09429v1
• Date: Sun, 19 Jun 2022 15:09:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 19:26:27.078680
• Title: A generalized regionalization framework for geographical modelling and its application in spatial regression
• Title（参考訳）: 地理的モデリングのための一般化された地域化枠組みとその空間回帰への応用
• Authors: Hao Guo, Andre Python, Yu Liu
• Abstract要約: 本稿では,空間的に制約されたクラスタリングを考慮に入れた従来の手法を拡張した3つの地域化アルゴリズムを提案する。 その結果,自動後処理によって拡張された空間的暗黙アルゴリズムは,空間的明示的なアプローチよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 7.176845953855054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In presence of spatial heterogeneity, models applied to geographic data face a trade-off between producing general results and capturing local variations. Modelling at a regional scale may allow the identification of solutions that optimize both accuracy and generality. However, most current regionalization algorithms assume homogeneity in the attributes to delineate regions without considering the processes that generate the attributes. In this paper, we propose a generalized regionalization framework based on a two-item objective function which favors solutions with the highest overall accuracy while minimizing the number of regions. We introduce three regionalization algorithms, which extend previous methods that account for spatially constrained clustering. The effectiveness of the proposed framework is examined in regression experiments on both simulated and real data. The results show that a spatially implicit algorithm extended with an automatic post-processing procedure outperforms spatially explicit approaches. Our suggested framework contributes to better capturing the processes associated with spatial heterogeneity with potential applications in a wide range of geographical models.
• Abstract（参考訳）: 空間的異質性の存在下では、地理的データに適用されたモデルは、一般的な結果の生成と局所的な変動の捕捉の間のトレードオフに直面している。 局所スケールでのモデリングは、精度と一般性の両方を最適化する解を識別することができる。 しかし、現在のほとんどの地域化アルゴリズムは、属性を生成する過程を考慮せずに、属性の均質性を仮定している。 本稿では,領域数を最小にしつつ,最も精度の高い解を優先する2項目目的関数に基づく一般化的地域化フレームワークを提案する。 本稿では,空間制約クラスタリングを考慮した従来の手法を拡張した3つの地域化アルゴリズムを提案する。 提案手法の有効性をシミュレーションデータと実データの両方の回帰実験で検証した。 その結果,空間的暗黙的アルゴリズムが自動後処理によって拡張され,空間的明示的アプローチよりも優れていた。 提案手法は,多種多様な地理モデルにおいて,空間的不均質性に関連するプロセスをよりよく把握するのに役立つ。

関連論文リスト

• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• 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)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• Kernel Biclustering algorithm in Hilbert Spaces [8.303238963864885]
  我々は,エネルギー距離と平均誤差の最大値という概念を用いて,抽象空間における新しいモデルフリー・ビクラスタリングアルゴリズムを開発した。 提案手法は,既存の文献よりも一般的で複雑なクラスタ形状を学習することができる。 提案手法は,カーネルの適切な選択を前提として,その最適シナリオにおける最先端手法と類似している。
  論文  参考訳（メタデータ） (2022-08-07T08:41:46Z)
• STICC: A multivariate spatial clustering method for repeated geographic pattern discovery with consideration of spatial contiguity [7.376428009531946]
  理想的な空間クラスタリングは、空間的連続性と空間的属性の両方を考慮するべきである。 既存の空間クラスタリングアプローチは、空間的連続性を維持した反復的な地理的パターンを発見するための課題に直面する可能性がある。 本研究では,地理的オブジェクトの属性と空間的関係を考慮した空間的Toeplitz Inverse Covariance-Based Clustering (STICC)法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T20:58:06Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• Modeling Massive Spatial Datasets Using a Conjugate Bayesian Linear Regression Framework [0.0]
  階層的モデリングフレームワークに簡単に組み込むことのできる、様々なスケーラブルな空間プロセスモデルが提案されている。 本稿では,空間過程の推論を迅速に行うことができる共役ベイズ線形回帰モデルとして,点参照空間過程モデルをどうキャストするかを論じる。
  論文  参考訳（メタデータ） (2021-09-09T17:46:00Z)
• A local approach to parameter space reduction for regression and classification tasks [0.0]
  そこで本研究では, クラスタリング手法を用いて, アクティブ部分空間のシナジーを探索する, ローカルアクティブ部分空間 (LAS) と呼ばれる新しい手法を提案する。 LASは、サロゲートモデリングに取り組んでいるコミュニティにとって特に有用である。
  論文  参考訳（メタデータ） (2021-07-22T18:06:04Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。