論文の概要: Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and
Challenges
- arxiv url: http://arxiv.org/abs/2310.19957v1
- Date: Mon, 30 Oct 2023 19:12:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 17:48:43.085439
- Title: Deep Learning for Spatiotemporal Big Data: A Vision on Opportunities and
Challenges
- Title(参考訳): 時空間ビッグデータのためのディープラーニング: 機会と課題に関するビジョン
- Authors: Zhe Jiang
- Abstract要約: 一時的ビッグデータは、これまで不可能だった問題を解決する新たな機会を育むことができる。
ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
- 参考スコア(独自算出の注目度): 4.497634148674422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With advancements in GPS, remote sensing, and computational simulation, an
enormous volume of spatiotemporal data is being collected at an increasing
speed from various application domains, spanning Earth sciences, agriculture,
smart cities, and public safety. Such emerging geospatial and spatiotemporal
big data, coupled with recent advances in deep learning technologies, foster
new opportunities to solve problems that have not been possible before. For
instance, remote sensing researchers can potentially train a foundation model
using Earth imagery big data for numerous land cover and land use modeling
tasks. Coastal modelers can train AI surrogates to speed up numerical
simulations. However, the distinctive characteristics of spatiotemporal big
data pose new challenges for deep learning technologies. This vision paper
introduces various types of spatiotemporal big data, discusses new research
opportunities in the realm of deep learning applied to spatiotemporal big data,
lists the unique challenges, and identifies several future research needs.
- Abstract(参考訳): gps、リモートセンシング、計算シミュレーションの進歩により、地球科学、農業、スマートシティ、公共の安全にまたがる様々な応用領域から膨大な時空間データが収集されている。
このような新たな地理空間的および時空間的ビッグデータは、ディープラーニング技術の最近の進歩と相まって、これまで不可能だった問題を解決する新たな機会を育んでいる。
たとえばリモートセンシングの研究者たちは、地球画像のビッグデータを使って、多くの土地被覆と土地利用モデリングタスクのための基礎モデルを訓練できる。
沿岸モデラーはaiサロゲートを訓練して数値シミュレーションを高速化することができる。
しかし、時空間ビッグデータの特徴は、ディープラーニング技術に新たな課題をもたらす。
本稿では,様々なタイプの時空間ビッグデータを紹介し,時空間ビッグデータに適用する深層学習分野における新たな研究機会について論じ,ユニークな課題をリストアップし,今後の研究ニーズを明らかにする。
関連論文リスト
- Rapid Automated Mapping of Clouds on Titan With Instance Segmentation [0.49478969093606673]
我々は、転送学習により訓練されたMask R-CNNを用いて、カッシーニ探査機が取得したタイタン画像中の雲のインスタンスセグメンテーションを行う。
タイタン特有の課題にもかかわらず、我々のアプローチは地球や他の世界の現代の雲の識別研究に匹敵する精度を得る。
このような手法は、現在未利用の惑星科学における同様の問題に応用できる可能性が広いことを示唆する。
論文 参考訳(メタデータ) (2025-01-08T12:30:06Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳(メタデータ) (2024-12-30T13:55:59Z) - Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。
モチベーションと背景の概要から始まり、続いて基本概念が導入された。
我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
論文 参考訳(メタデータ) (2024-10-22T01:08:21Z) - Earth System Data Cubes: Avenues for advancing Earth system research [4.408949931570938]
地球系データキューブ(ESDC)は、このデータの洪水をシンプルで堅牢なフォーマットに変換するのに適したソリューションの1つとして登場した。
ESDCは、データをテンポラリグリッドを備えた分析可能なフォーマットに整理することで、これを実現している。
新たなクラウドベースの技術に照らして、データの潜在能力を最大限に実現するための障壁がある。
論文 参考訳(メタデータ) (2024-08-05T09:50:16Z) - A Survey of Generative Techniques for Spatial-Temporal Data Mining [93.55501980723974]
本稿では,空間時間データマイニングにおける生成技術の統合に焦点を当てる。
本稿では,生成技術に基づく時空間法を包括的に分析する。
また、空間時間データマイニングパイプライン用に特別に設計された標準化されたフレームワークも導入されている。
論文 参考訳(メタデータ) (2024-05-15T12:07:43Z) - Foundation Models for Weather and Climate Data Understanding: A
Comprehensive Survey [39.08108001903514]
私たちは、気象や気候データのために特別に設計された最先端のAI方法論を、徹底的に、タイムリーに概説しています。
主な対象は、気象・気候データの種類、主モデル、モデルスコープと応用、気象・気候のデータセットの4つである。
論文 参考訳(メタデータ) (2023-12-05T01:10:54Z) - Uncertainty Quantification of Deep Learning for Spatiotemporal Data:
Challenges and Opportunities [8.23890319871992]
不確実性(UQ)は、ディープラーニングモデルの信頼性を推定することを目的としている。
本稿では,その特異な課題と既存手法を含む,深層学習の時間的データに対するUQの概要について述べる。
論文 参考訳(メタデータ) (2023-11-04T19:11:25Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳(メタデータ) (2023-10-16T09:06:00Z) - Big Earth Data and Machine Learning for Sustainable and Resilient
Agriculture [0.0]
この論文は、我々の時代の高品質でオープンな地球観測データによって提供される前例のない機会を認識している。
持続的で回復力のある農業のためのアプリケーションを開発するために、機械学習とビッグデータメソッドを導入している。
論文 参考訳(メタデータ) (2022-11-22T20:58:54Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳(メタデータ) (2022-09-28T18:51:59Z) - Batch Exploration with Examples for Scalable Robotic Reinforcement
Learning [63.552788688544254]
BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。
BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
論文 参考訳(メタデータ) (2020-10-22T17:49:25Z)
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。