Fugu-MT 論文翻訳(概要): GraphTransformers for Geospatial Forecasting of Hurricane Trajectories

論文の概要: GraphTransformers for Geospatial Forecasting of Hurricane Trajectories

arxiv url: http://arxiv.org/abs/2310.20174v2
Date: Sun, 26 Nov 2023 17:53:23 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 13:29:14.955063
Title: GraphTransformers for Geospatial Forecasting of Hurricane Trajectories
Title（参考訳）: ハリケーントラジェクタの地理空間予測のためのグラフ変換器
Authors: Pallavi Banerjee, Satyaki Chakraborty
Abstract要約: グラフトランスフォーマを用いた地理空間列の軌跡予測のための新しいフレームワークを提案する。このグラフ構造を明示的に活用することにより、地理空間軌道予測を大幅に改善できることが示される。
参考スコア（独自算出の注目度）: 0.6798775532273751
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper we introduce a novel framework for trajectory prediction of geospatial sequences using GraphTransformers. When viewed across several sequences, we observed that a graph structure automatically emerges between different geospatial points that is often not taken into account for such sequence modeling tasks. We show that by leveraging this graph structure explicitly, geospatial trajectory prediction can be significantly improved. Our GraphTransformer approach improves upon state-of-the-art Transformer based baseline significantly on HURDAT, a dataset where we are interested in predicting the trajectory of a hurricane on a 6 hourly basis.
Abstract（参考訳）: 本稿では,グラフトランスフォーマを用いた地理空間シーケンスの軌跡予測のための新しい枠組みを提案する。いくつかのシーケンスを見渡すと、そのようなシーケンスモデリングタスクを考慮せずに、異なる地理空間ポイント間でグラフ構造が自動的に現れるのが観察された。このグラフ構造を明示的に活用することで,地理空間的軌道予測を大幅に改善できることを示す。当社のGraphTransformerアプローチは,ハリケーンの軌跡を6時間単位で予測するデータセットであるHURDATに基づいて,最先端のTransformerベースのベースラインを大幅に改善する。

関連論文リスト

Graph-Structured Trajectory Extraction from Travelogues [18.565662566050577]
本稿では,地理的階層や訪問場所の時間的順序などの情報を保持するグラフ表現を提案する。ベースラインを用いた実験では、訪問した場所とその順序を正確に予測できることが実証されているが、階層的な関係を予測することは依然として困難である。
論文参考訳（メタデータ） (2024-10-22T02:21:42Z)
Learning Lane Graphs from Aerial Imagery Using Transformers [7.718401895021425]
この研究は、航空画像から後継車線グラフを生成する新しいアプローチを導入している。後継レーングラフを最大長経路の集合としてフレーム化し,検出変換器(DETR)アーキテクチャを用いてそれらを予測する。本手法の有効性を多種多様な大規模UrbanLaneGraphデータセットの広範な実験により実証する。
論文参考訳（メタデータ） (2024-07-08T07:42:32Z)
Predicting the structure of dynamic graphs [3.035039100561926]
我々は、目に見えない新しいノードとエッジを含む将来のステップにおけるグラフの構造を予測する。時系列予測手法を用いて,将来の時間点におけるノード次数予測を行い,これらの予測とフラックスバランス解析を組み合わせる。我々は、合成および実世界のデータセットを用いてこのアプローチを評価し、その実用性と適用性を実証する。
論文参考訳（メタデータ） (2024-01-08T23:25:43Z)
Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns [13.378277755978258]
プレトレーニンググラフと下流グラフの間の構造的ばらつきは,バニラ微調整戦略を用いた場合の転送可能性を大幅に制限することを示す。下流グラフの生成パターンを保存するためにG-Tuningを提案する。 G-Tuningはドメイン内およびドメイン外移行学習実験において平均0.5%と2.6%の改善を示している。
論文参考訳（メタデータ） (2023-12-21T05:17:10Z)
Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文参考訳（メタデータ） (2023-09-18T20:12:17Z)
Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
論文参考訳（メタデータ） (2023-09-08T02:44:37Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
Hierarchical Graph Transformer with Adaptive Node Sampling [19.45896788055167]
現在のグラフ変換器の主な欠陥を同定する。ほとんどのサンプリング戦略は、近隣にのみ焦点をあて、グラフ内の長距離依存を無視している。本稿では,グラフ粗化を用いた階層型アテンション方式を提案する。
論文参考訳（メタデータ） (2022-10-08T05:53:25Z)
Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文参考訳（メタデータ） (2021-08-03T17:57:53Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文参考訳（メタデータ） (2020-06-12T00:17:59Z)

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。