論文の概要: Modeling Oceanic Variables with Dynamic Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2206.12746v1
- Date: Sat, 25 Jun 2022 22:43:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 11:46:23.378864
- Title: Modeling Oceanic Variables with Dynamic Graph Neural Networks
- Title（参考訳）: 動的グラフニューラルネットワークによる海洋変数のモデル化
- Authors: Caio F. D. Netto, Marcel R. de Barros, Jefferson F. Coelho, Lucas P.
de Freitas, Felipe M. Moreno, Marlon S. Mathias, Marcelo Dottori, F\'abio G.
Cozman, Anna H. R. Costa, Edson S. Gomi, Eduardo A. Tannuri
- Abstract要約: ブラジルのサントス・サンテ・ビセンテ・ベルティオガ地域における環境変数を予測するためのデータ駆動手法について述べる。
我々のモデルは、最先端のシーケンスモデルとリレーショナルモデルとを結合することにより、時間的および空間的帰納バイアスの両方を利用する。
実験の結果、柔軟性とドメイン知識の依存性のほとんどを維持しながら、私たちのモデルによってより良い結果が得られます。
- 参考スコア（独自算出の注目度）: 0.09830751917335563
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Researchers typically resort to numerical methods to understand and predict
ocean dynamics, a key task in mastering environmental phenomena. Such methods
may not be suitable in scenarios where the topographic map is complex,
knowledge about the underlying processes is incomplete, or the application is
time critical. On the other hand, if ocean dynamics are observed, they can be
exploited by recent machine learning methods. In this paper we describe a
data-driven method to predict environmental variables such as current velocity
and sea surface height in the region of Santos-Sao Vicente-Bertioga Estuarine
System in the southeastern coast of Brazil. Our model exploits both temporal
and spatial inductive biases by joining state-of-the-art sequence models (LSTM
and Transformers) and relational models (Graph Neural Networks) in an
end-to-end framework that learns both the temporal features and the spatial
relationship shared among observation sites. We compare our results with the
Santos Operational Forecasting System (SOFS). Experiments show that better
results are attained by our model, while maintaining flexibility and little
domain knowledge dependency.
- Abstract（参考訳）: 研究者は通常、環境現象をマスターする重要なタスクである海洋力学を理解し予測するために数値的な手法を用いる。
このような手法は、トポロジマップが複雑で、基礎となるプロセスに関する知識が不完全である、あるいはアプリケーションが時間的クリティカルなシナリオには適さないかもしれない。
一方、海洋力学が観測された場合、最近の機械学習手法によって利用することができる。
本稿では,ブラジル南東部のサントス・サンテ・ビセンテ・ベルティオガ・エストゥーリン・システムにおいて,現在の速度や海面高度などの環境変数を予測するためのデータ駆動手法について述べる。
我々のモデルは,観測現場間で共有される時間的特徴と空間的関係の両方を学習するエンドツーエンドのフレームワークにおいて,最先端のシーケンスモデル (LSTM, Transformer) と関係モデル (Graph Neural Networks) を結合することによって,時間的・空間的帰納バイアスを生かしている。
我々は,サントス運用予測システム(sofs)との比較を行った。
実験の結果、柔軟性とほとんどドメイン知識に依存しないまま、私たちのモデルによってより良い結果が得られます。
関連論文リスト
- Coupled Ocean-Atmosphere Dynamics in a Machine Learning Earth System Model [0.6008008212472723]
我々は,高分解能(0.25deg)人工知能/機械学習(AI/ML)結合土系モデルであるオーシャンリンク大気(Ola)モデルを提案する。
その結果,Olaは適切な位相速度を持つ熱帯海洋波を含む海洋-大気結合力学の学習特性を示すことがわかった。
本研究では,地球物理流体力学研究所のSPEARモデルと比較し,エルニーニョ/南方振動(ENSO)の予測能力を示す。
論文 参考訳（メタデータ） (2024-06-12T20:29:14Z) - Modeling Randomly Observed Spatiotemporal Dynamical Systems [7.381752536547389]
現在利用可能なニューラルネットワークベースのモデリングアプローチは、時間と空間でランダムに収集されたデータに直面したときに不足する。
そこで我々は,このようなランダムなサンプルデータを効果的に処理する新しい手法を開発した。
我々のモデルは、システムの力学と将来の観測のタイミングと位置の両方を予測するために、償却変分推論、ニューラルディファレンシャル方程式、ニューラルポイントプロセス、暗黙のニューラル表現といった技術を統合する。
論文 参考訳（メタデータ） (2024-06-01T09:03:32Z) - Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。
本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。
実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
論文 参考訳（メタデータ） (2024-05-06T06:23:06Z) - 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) - Towards Spatio-temporal Sea Surface Temperature Forecasting via Static
and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。
具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。
そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
論文 参考訳（メタデータ） (2023-04-12T14:35:38Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳（メタデータ） (2023-01-05T22:10:16Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。
本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。
スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
論文 参考訳（メタデータ） (2021-11-26T11:58:51Z) - SPATE-GAN: Improved Generative Modeling of Dynamic Spatio-Temporal
Patterns with an Autoregressive Embedding Loss [4.504870356809408]
本稿では、時間的ダイナミクスの学習を強化するために、自己回帰埋め込みに基づく-GANと組み合わせた新しい損失目標を提案する。
組込み損失は -GAN のアーキテクチャを変更することなく性能を向上し,自己相関構造に対するモデルの能力向上を浮き彫りにしている。
論文 参考訳（メタデータ） (2021-09-30T12:10:05Z) - Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。
本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
論文 参考訳（メタデータ） (2021-06-15T17:45:32Z)
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。