論文の概要: Spatial-temporal Prompt Learning for Federated Weather Forecasting
- arxiv url: http://arxiv.org/abs/2305.14244v1
- Date: Tue, 23 May 2023 16:59:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 14:24:27.068995
- Title: Spatial-temporal Prompt Learning for Federated Weather Forecasting
- Title(参考訳): フェデレーション気象予報のための時空間学習
- Authors: Shengchao Chen, Guodong Long, Tao Shen, Tianyi Zhou, Jing Jiang
- Abstract要約: フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
- 参考スコア(独自算出の注目度): 50.379491498793485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated weather forecasting is a promising collaborative learning framework
for analyzing meteorological data across participants from different countries
and regions, thus embodying a global-scale real-time weather data predictive
analytics platform to tackle climate change. This paper is to model the
meteorological data in a federated setting where many distributed low-resourced
sensors are deployed in different locations. Specifically, we model the
spatial-temporal weather data into a federated prompt learning framework that
leverages lightweight prompts to share meaningful representation and structural
knowledge among participants. Prompts-based communication allows the server to
establish the structural topology relationships among participants and further
explore the complex spatial-temporal correlations without transmitting private
data while mitigating communication overhead. Moreover, in addition to a
globally shared large model at the server, our proposed method enables each
participant to acquire a personalized model that is highly customized to tackle
climate changes in a specific geographic area. We have demonstrated the
effectiveness of our method on classical weather forecasting tasks by utilizing
three spatial-temporal multivariate time-series weather data.
- Abstract(参考訳): フェデレート気象予報は、さまざまな国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークであり、気候変動に対処するためのグローバルなリアルタイム気象データ予測プラットフォームを具体化している。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
具体的には、空間時空間気象データを、軽量なプロンプトを活用して有意義な表現と構造的知識を参加者間で共有するファシリテート学習フレームワークにモデル化する。
プロンプトベースの通信により、サーバは参加者間の構造トポロジー関係を確立し、通信オーバーヘッドを緩和しながらプライベートデータを送信することなく、複雑な空間-時間相関を探索することができる。
さらに,サーバ上でのグローバルな共有大型モデルに加えて,提案手法により,特定の地理的領域の気候変化に対処するために高度にカスタマイズされたパーソナライズされたモデルを取得することができる。
我々は3つの時空間多変量気象データを用いて,従来の天気予報作業における手法の有効性を実証した。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - A Distributed Approach to Meteorological Predictions: Addressing Data
Imbalance in Precipitation Prediction Models through Federated Learning and
GANs [0.0]
気象データの分類は、気象現象をクラスに分類することで、微妙な分析と正確な予測を容易にする。
分類アルゴリズムは、データ不均衡のような課題を巧みにナビゲートすることが不可欠である。
データ拡張技術は、稀だが重要な気象事象を分類する際のモデルの精度を向上させることができる。
論文 参考訳(メタデータ) (2023-10-19T21:28:20Z) - Exploring the Application of Large-scale Pre-trained Models on Adverse
Weather Removal [97.53040662243768]
ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。
このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
論文 参考訳(メタデータ) (2023-06-15T10:06:13Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Prompt Federated Learning for Weather Forecasting: Toward Foundation
Models on Meteorological Data [37.549578998407675]
地球規模の気候問題に対処するためには、大規模な気象データに基づいて総合的な気象予報を行うための共同プラットフォームを開発する必要がある。
本稿では,複雑な気象データを理解し,天気予報を行う領域にまたがる基礎モデルを構築した。
低リソースセンサの通信と計算の制約を満たすために,新しいプロンプト学習機構が採用された。
論文 参考訳(メタデータ) (2023-01-22T16:47:05Z) - A case study of spatiotemporal forecasting techniques for weather
forecasting [0.0]
本稿では,地域データによる気象予報の様々な手法,すなわち時間的相関を捉えるために,複数の経度点にまたがる予測手法について検討する。
その結果, 列車の動的分解モードに基づく予測モデルでは, トレーニングを必要とせず, ほぼ同等の精度で予測できることがわかった。
論文 参考訳(メタデータ) (2022-09-29T13:47:02Z) - HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather
Forecasting [13.317147032467306]
複数の局における気象変数間の時間的相互相関をモデル化するためのグラフ階層時空間ニューラルネットワーク(HiSTGNN)を提案する。
3つの実世界の気象データセットの実験結果は、HiSTGNNが7つの基準線を超える優れた性能を示した。
特に最先端の天気予報法と比較して誤差を4.2%から11.6%に減らす。
論文 参考訳(メタデータ) (2022-01-22T17:30:46Z) - 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) - A Spatial-Temporal Attentive Network with Spatial Continuity for
Trajectory Prediction [74.00750936752418]
空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。
まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。
第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
論文 参考訳(メタデータ) (2020-03-13T04:35:50Z)
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。