論文の概要: Deep Spatial Domain Generalization

• arxiv url: http://arxiv.org/abs/2210.00729v1
• Date: Mon, 3 Oct 2022 06:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 17:39:15.910101
• Title: Deep Spatial Domain Generalization
• Title（参考訳）: 深部領域の一般化
• Authors: Dazhou Yu, Guangji Bai, Yun Li, Liang Zhao
• Abstract要約: 本研究では,空間データをグラフとして扱う空間グラフニューラルネットワークを開発し,各ノードに空間埋め込みを学習する。 提案手法は,テストフェーズ中に見つからない位置の空間埋め込みを推定し,下流タスクモデルのパラメータを目標位置に直接デコードする。
• 参考スコア（独自算出の注目度）: 8.102110157532556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial autocorrelation and spatial heterogeneity widely exist in spatial data, which make the traditional machine learning model perform badly. Spatial domain generalization is a spatial extension of domain generalization, which can generalize to unseen spatial domains in continuous 2D space. Specifically, it learns a model under varying data distributions that generalizes to unseen domains. Although tremendous success has been achieved in domain generalization, there exist very few works on spatial domain generalization. The advancement of this area is challenged by: 1) Difficulty in characterizing spatial heterogeneity, and 2) Difficulty in obtaining predictive models for unseen locations without training data. To address these challenges, this paper proposes a generic framework for spatial domain generalization. Specifically, We develop the spatial interpolation graph neural network that handles spatial data as a graph and learns the spatial embedding on each node and their relationships. The spatial interpolation graph neural network infers the spatial embedding of an unseen location during the test phase. Then the spatial embedding of the target location is used to decode the parameters of the downstream-task model directly on the target location. Finally, extensive experiments on thirteen real-world datasets demonstrate the proposed method's strength.
• Abstract（参考訳）: 空間的自己相関と空間的不均一性は空間データに広く存在し、従来の機械学習モデルが著しく機能する。 空間領域一般化は領域一般化の空間拡張であり、連続した2次元空間において見えない空間領域に一般化することができる。 具体的には、未知の領域に一般化する様々なデータ分布の下でモデルを学習する。 領域一般化において非常に成功したが、空間領域一般化に関する研究はほとんどない。 この地域の進歩は以下の通りである。 1)空間的不均一性を特徴づける難しさ,及び 2 訓練データ無しで見当たらない場所の予測モデルを得るのが困難である。 そこで本稿では,空間領域一般化のための汎用フレームワークを提案する。 具体的には,空間データをグラフとして扱う空間補間グラフニューラルネットワークを開発し,各ノードとその関係に空間埋め込みを学習する。 空間補間グラフニューラルネットワークは、テストフェーズ中に見えない位置の空間埋め込みを推定する。 次に、ターゲット位置の空間埋め込みを使用して、ターゲット位置に直接下流タスクモデルのパラメータをデコードする。 最後に、13の実世界のデータセットに関する広範な実験により、提案手法の強度が示された。

関連論文リスト

• ManiBox: Enhancing Spatial Grasping Generalization via Scalable Simulation Data Generation [37.73074657448699]
  bfManiBoxは、シミュレーションベースの教師学生フレームワーク上に構築された新しいバウンディングボックス誘導操作手法である。 ManiBoxは、空間的把握の一般化と多様なオブジェクトや背景への適応性を著しく改善した。
  論文  参考訳（メタデータ） (2024-11-04T07:05:02Z)
• stMCDI: Masked Conditional Diffusion Model with Graph Neural Network for Spatial Transcriptomics Data Imputation [8.211887623977214]
  空間転写学データ計算のための新しい条件拡散モデルである textbfstMCDI を導入する。 ランダムにマスキングされたデータ部分を使ってトレーニングされたデノベーションネットワークをガイダンスとして使用し、非マスキングされたデータは条件として機能する。 空間転写学データセットから得られた結果は,既存の手法と比較して,本手法の性能を解明するものである。
  論文  参考訳（メタデータ） (2024-03-16T09:06:38Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Intrinsic dimension estimation for discrete metrics [65.5438227932088]
  本稿では,離散空間に埋め込まれたデータセットの内在次元(ID)を推定するアルゴリズムを提案する。 我々は,その精度をベンチマークデータセットで示すとともに,種鑑定のためのメダゲノミクスデータセットの分析に応用する。 このことは、列の空間の高次元性にもかかわらず、蒸発圧が低次元多様体に作用することを示唆している。
  論文  参考訳（メタデータ） (2022-07-20T06:38:36Z)
• Localized Adversarial Domain Generalization [83.4195658745378]
  対数領域の一般化は、領域の一般化に対する一般的なアプローチである。 空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。 我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-05-09T08:30:31Z)
• Activation Regression for Continuous Domain Generalization with Applications to Crop Classification [48.795866501365694]
  衛星画像の地理的変異は、機械学習モデルが新しい領域に一般化する能力に影響を与える。 中分解能ランドサット8衛星画像の地理的一般化を連続領域適応問題としてモデル化する。 我々は,アメリカ大陸全域に空間分布するデータセットを開発した。
  論文  参考訳（メタデータ） (2022-04-14T15:41:39Z)
• Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
  グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。 本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:41:49Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Auxiliary-task learning for geographic data with autoregressive embeddings [1.4823143667165382]
  本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。 局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。 我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
  論文  参考訳（メタデータ） (2020-06-18T12:16:08Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)
• Multi-Scale Representation Learning for Spatial Feature Distributions using Grid Cells [11.071527762096053]
  本研究では,位置の絶対位置と空間的関係を符号化するスペース2Vecという表現学習モデルを提案する。 その結果、Space2Vecはマルチスケール表現のため、確立されたMLアプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-02-16T04:22:18Z)

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。