論文の概要: Arbitrary-Scale Downscaling of Tidal Current Data Using Implicit
Continuous Representation
- arxiv url: http://arxiv.org/abs/2401.15893v2
- Date: Wed, 31 Jan 2024 03:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 11:19:56.017678
- Title: Arbitrary-Scale Downscaling of Tidal Current Data Using Implicit
Continuous Representation
- Title(参考訳): 入射連続表現を用いた潮流データの任意スケールダウンスケーリング
- Authors: Dongheon Lee, Seungmyong Jeong, Youngmin Ro
- Abstract要約: 本稿では,潮流データに対する新しいダウンスケーリングフレームワークを提案し,その特性に対処する。
本フレームワークは, ベースラインモデルと比較して93.21% (MSE) および63.85% (MAE) の流量速度予測を著しく改善した。
- 参考スコア(独自算出の注目度): 7.688686113950605
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Numerical models have long been used to understand geoscientific phenomena,
including tidal currents, crucial for renewable energy production and coastal
engineering. However, their computational cost hinders generating data of
varying resolutions. As an alternative, deep learning-based downscaling methods
have gained traction due to their faster inference speeds. But most of them are
limited to only inference fixed scale and overlook important characteristics of
target geoscientific data. In this paper, we propose a novel downscaling
framework for tidal current data, addressing its unique characteristics, which
are dissimilar to images: heterogeneity and local dependency. Moreover, our
framework can generate any arbitrary-scale output utilizing a continuous
representation model. Our proposed framework demonstrates significantly
improved flow velocity predictions by 93.21% (MSE) and 63.85% (MAE) compared to
the Baseline model while achieving a remarkable 33.2% reduction in FLOPs.
- Abstract(参考訳): 数値モデルは、再生可能エネルギーの生産と沿岸エンジニアリングに不可欠な潮流を含む地球科学的現象を理解するために長い間使われてきた。
しかし、計算コストは様々な解像度のデータの生成を妨げる。
代替として、ディープラーニングベースのダウンスケーリング手法は、推論速度の高速化により、牽引力を高めている。
しかし、そのほとんどは推論の固定スケールに限られており、対象地学データの重要な特徴を見落としている。
本稿では,不均一性や局所依存性といった画像と相違する特徴に対処する,潮流データのための新しいダウンスケーリングフレームワークを提案する。
さらに,このフレームワークは,連続表現モデルを用いて任意のスケール出力を生成することができる。
提案手法は, フロー速度予測をベースラインモデルと比較して93.21% (MSE) と63.85% (MAE) に改善し, FLOPの33.2%削減を実現した。
関連論文リスト
- Multi-Modal Learning-based Reconstruction of High-Resolution Spatial
Wind Speed Fields [46.72819846541652]
本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。
この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
論文 参考訳(メタデータ) (2023-12-14T13:40:39Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳(メタデータ) (2023-10-17T05:03:00Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Mitigation of Spatial Nonstationarity with Vision Transformers [1.690637178959708]
深層学習モデル予測性能に対する2種類の測地的空間非定常性の影響を示す。
本稿では,自己注意モデル(ビジョン・トランスフォーマー)を用いて,そのような影響の緩和を提案する。
論文 参考訳(メタデータ) (2022-12-09T02:16:05Z) - Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。
既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。
本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
論文 参考訳(メタデータ) (2022-11-01T14:38:18Z) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。
本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。
本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
論文 参考訳(メタデータ) (2021-12-06T14:52:53Z) - A Spatial-temporal Graph Deep Learning Model for Urban Flood Nowcasting
Leveraging Heterogeneous Community Features [1.2599533416395765]
本研究の目的は,都市浸水流を対象とした新しい深層学習モデルフレームワークの開発と試験である。
本稿では,アテンションベース時空間グラフ畳み込みネットワーク(ASTGCN)モデルを含む新しい計算モデルを提案する。
以上の結果から, このモデルにより, 都市浸水量の増加に優れた性能が得られることが示唆された。
論文 参考訳(メタデータ) (2021-11-09T15:35:05Z) - Deep Learning to Estimate Permeability using Geophysical Data [0.7874708385247351]
本稿では,時間経過RTデータから3次元地下透水率を推定する深層学習(DL)フレームワークを提案する。
水理物理に基づく地下プロセスモデルを用いて深層学習解析のための合成データを生成する。
提案した弱教師あり学習は3次元透水性領域の空間的特徴を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-10-08T04:17:59Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳(メタデータ) (2020-12-06T19:49:55Z)
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。