論文の概要: Forecasting West Nile Virus with Graph Neural Networks: Harnessing Spatial Dependence in Irregularly Sampled Geospatial Data

• arxiv url: http://arxiv.org/abs/2212.11367v1
• Date: Wed, 21 Dec 2022 21:08:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 15:28:40.463836
• Title: Forecasting West Nile Virus with Graph Neural Networks: Harnessing Spatial Dependence in Irregularly Sampled Geospatial Data
• Title（参考訳）: グラフニューラルネットワークによる西ナイルウイルスの予測:不規則サンプリング地空間データにおける空間依存性
• Authors: Adam Tonks (1), Trevor Harris (2), Bo Li (1), William Brown (3), Rebecca Smith (3) ((1) Department of Statistics, University of Illinois at Urbana-Champaign, (2) Department of Statistics, Texas A&M University, (3) Department of Pathobiology, University of Illinois at Urbana-Champaign)
• Abstract要約: イリノイ州における西ナイルウイルスの存在を予測するために,空間認識型グラフニューラルネットワークモデルを適用した。 より一般的に、不規則サンプリングされた地理空間データに適用されたグラフニューラルネットワークは、様々なベースライン法の性能を超える可能性があることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning methods have seen increased application to geospatial environmental problems, such as precipitation nowcasting, haze forecasting, and crop yield prediction. However, many of the machine learning methods applied to mosquito population and disease forecasting do not inherently take into account the underlying spatial structure of the given data. In our work, we apply a spatially aware graph neural network model consisting of GraphSAGE layers to forecast the presence of West Nile virus in Illinois, to aid mosquito surveillance and abatement efforts within the state. More generally, we show that graph neural networks applied to irregularly sampled geospatial data can exceed the performance of a range of baseline methods including logistic regression, XGBoost, and fully-connected neural networks.
• Abstract（参考訳）: 機械学習手法は、降水量予測、ヘイズ予測、収穫予測など、地理空間環境問題への応用が増加している。 しかしながら、蚊の個体数や病気予測に適用される機械学習手法の多くは、与えられたデータの基盤となる空間構造を本質的に考慮していない。 本研究は、イリノイ州の西ナイルウイルスの存在を予測するために、GraphSAGE層からなる空間認識グラフニューラルネットワークモデルを適用し、州内における蚊の監視と治療活動を支援する。 より一般に、不規則にサンプリングされた地理空間データに適用されたグラフニューラルネットワークは、ロジスティック回帰、xgboost、完全接続ニューラルネットワークなど、様々なベースライン手法の性能を超える可能性がある。

関連論文リスト

• A Subsampling Based Neural Network for Spatial Data [0.0]
  本稿では、空間データに対する一貫した局所化された2層ディープニューラルネットワークに基づく回帰を提案する。 観測されたデータと予測されたデータの経験的確率分布の差分尺度の収束率を実験的に観察し、より滑らかな空間表面ではより高速になる。 この応用は非線形空間回帰の効果的な例である。
  論文  参考訳（メタデータ） (2024-11-06T02:37:43Z)
• Path Signatures and Graph Neural Networks for Slow Earthquake Analysis: Better Together? [10.002197953627359]
  我々は、グラフ畳み込みニューラルネットワーク(GCNN)に経路シグネチャを統合する新しいアプローチ、Path Signature Graph Convolutional Networks (PS-GCNN)を導入する。 本手法は,GPSの時系列データを利用して,スロースリップイベント(SSE)と呼ばれる地震の連続解析に応用する。 提案手法は,地震予知とセンサネットワーク解析の今後の進歩を示すものである。
  論文  参考訳（メタデータ） (2024-02-05T22:16:05Z)
• A Survey on Graph Classification and Link Prediction based on GNN [11.614366568937761]
  本稿では,グラフ畳み込みニューラルネットワークの世界について述べる。 グラフ畳み込みニューラルネットワークの基礎を詳述する。 注意機構とオートエンコーダに基づいて、グラフニューラルネットワークモデルを解明する。
  論文  参考訳（メタデータ） (2023-07-03T09:08:01Z)
• Graph Neural Processes for Spatio-Temporal Extrapolation [36.01312116818714]
  グラフ内の周囲のコンテキストから対象地点のデータを生成する補間時間プロセスのタスクについて検討する。 既存の手法では、ニューラルネットワークのような学習に精通したモデルや、ガウスのような統計的アプローチが使用されている。 本稿では,これらの機能を同時に制御するニューラル潜在変数モデルであるスポースグラフニューラル・プロセス(STGNP)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T03:55:37Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• 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)
• Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks [6.037276428689637]
  グラフニューラルネットワークアーキテクチャを比較するための新しいデータセットとして,Chickenpox Casesデータセットを提案する。 時系列解析と予測実験により,新たなグラフニューラルネットワークアーキテクチャの予測性能予測能力を比較する上で,チキンポックスケースデータセットが極めて適していることが示された。
  論文  参考訳（メタデータ） (2021-02-16T11:48:57Z)
• How Neural Networks Extrapolate: From Feedforward to Graph Neural Networks [80.55378250013496]
  勾配勾配降下法によりトレーニングされたニューラルネットワークが、トレーニング分布の支持の外で学んだことを外挿する方法について検討する。 グラフニューラルネットワーク(GNN)は、より複雑なタスクでいくつかの成功を収めている。
  論文  参考訳（メタデータ） (2020-09-24T17:48:59Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。