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
- On the Challenges and Opportunities in Generative AI [135.2754367149689]
現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。
本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
論文 参考訳(メタデータ) (2024-02-28T15:19:33Z) - 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) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳(メタデータ) (2023-08-24T16:20:00Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - 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) - Bridging observation, theory and numerical simulation of the ocean using
Machine Learning [0.08155575318208629]
海洋の研究は、MLが対処できるユニークな課題の組み合わせを示しています。
利用可能な観測データは、ほとんど空間的に希薄であり、表面に限定されており、数十年以上に及ぶ時系列は少ない。
このレビューでは、MLを適用することで提供される現在の科学的洞察と、差し迫った潜在能力の所在を論じる。
論文 参考訳(メタデータ) (2021-04-26T12:11:51Z) - Towards a Collective Agenda on AI for Earth Science Data Analysis [39.78763440312085]
我々は、研究者、特に若い世代に、リモートセンシングと地球科学の真の進歩のためにこれらの課題に取り組むように促すことを目指している。
地球科学に関するAIの宣言では、研究者、特に若い世代がリモートセンシングと地球科学の真の進歩のためにこれらの課題に取り組むよう促すことを目指しています。
論文 参考訳(メタデータ) (2021-04-11T20:54:44Z) - 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。