論文の概要: Path Signatures and Graph Neural Networks for Slow Earthquake Analysis: Better Together?

• arxiv url: http://arxiv.org/abs/2402.03558v1
• Date: Mon, 5 Feb 2024 22:16:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-07 17:34:43.886612
• Title: Path Signatures and Graph Neural Networks for Slow Earthquake Analysis: Better Together?
• Title（参考訳）: 遅い地震解析のためのパスシグネチャとグラフニューラルネットワーク:より良い一緒に?
• Authors: Hans Riess, Manolis Veveakis, Michael M. Zavlanos
• Abstract要約: 我々は、グラフ畳み込みニューラルネットワーク(GCNN)に経路シグネチャを統合する新しいアプローチ、Path Signature Graph Convolutional Networks (PS-GCNN)を導入する。 本手法は,GPSの時系列データを利用して,スロースリップイベント(SSE)と呼ばれる地震の連続解析に応用する。 提案手法は,地震予知とセンサネットワーク解析の今後の進歩を示すものである。
• 参考スコア（独自算出の注目度）: 10.002197953627359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The path signature, having enjoyed recent success in the machine learning community, is a theoretically-driven method for engineering features from irregular paths. On the other hand, graph neural networks (GNN), neural architectures for processing data on graphs, excel on tasks with irregular domains, such as sensor networks. In this paper, we introduce a novel approach, Path Signature Graph Convolutional Neural Networks (PS-GCNN), integrating path signatures into graph convolutional neural networks (GCNN), and leveraging the strengths of both path signatures, for feature extraction, and GCNNs, for handling spatial interactions. We apply our method to analyze slow earthquake sequences, also called slow slip events (SSE), utilizing data from GPS timeseries, with a case study on a GPS sensor network on the east coast of New Zealand's north island. We also establish benchmarks for our method on simulated stochastic differential equations, which model similar reaction-diffusion phenomenon. Our methodology shows promise for future advancement in earthquake prediction and sensor network analysis.
• Abstract（参考訳）: 機械学習コミュニティで最近成功したパスシグネチャは、不規則なパスからエンジニアリング特徴を理論的に駆動する手法である。 一方、グラフニューラルネットワーク(GNN)は、グラフ上のデータを処理するためのニューラルネットワークであり、センサネットワークのような不規則なドメインを持つタスクに優れる。 本稿では,グラフ畳み込みニューラルネットワーク(GCNN)に経路シグネチャを統合し,特徴抽出のための経路シグネチャとGCNNの強みを活用する新しいアプローチ,PS-GCNNを提案する。 本手法は, ニュージーランド北島東海岸のGPSセンサネットワークを事例として, GPS時系列データを利用したスロースリップイベント(SSE)解析に応用した。 同様の反応拡散現象をモデル化した確率微分方程式のシミュレーション手法のベンチマークも確立した。 提案手法は,地震予知とセンサネットワーク解析の今後の進歩を示すものである。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• A Finite Element-Inspired Hypergraph Neural Network: Application to Fluid Dynamics Simulations [4.984601297028257]
  ディープラーニング研究の新たなトレンドは、連続体力学シミュレーションにおけるグラフニューラルネットワーク(GNN)の適用に焦点を当てている。 本稿では,ノードをエッジではなく要素で接続することでハイパーグラフを構築する手法を提案する。 本稿では,この手法を有限要素インスパイアされたハイパーグラフニューラルネットワーク(FEIH($phi$)-GNN)と呼ぶ。
  論文  参考訳（メタデータ） (2022-12-30T04:10:01Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• Charged particle tracking via edge-classifying interaction networks [0.0]
  本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理学的動機付き相互作用ネットワーク(IN) GNNを適用した。 我々は、GNNに基づくトラッキングの各段階での一連の測定を通して、INの優れたエッジ分類精度と追跡効率を実証する。 提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
  論文  参考訳（メタデータ） (2021-03-30T21:58:52Z)
• Overcoming Catastrophic Forgetting in Graph Neural Networks [50.900153089330175]
  破滅的な忘れは、ニューラルネットワークが新しいタスクを学ぶ前に学んだ知識を「忘れる」傾向を指します。 本稿では,この問題を克服し,グラフニューラルネットワーク(GNN)における継続学習を強化するための新しいスキームを提案する。 私たちのアプローチの中心には、トポロジ認識重量保存(TWP)と呼ばれる汎用モジュールがあります。
  論文  参考訳（メタデータ） (2020-12-10T22:30:25Z)
• Map-Based Temporally Consistent Geolocalization through Learning Motion Trajectories [0.5076419064097732]
  本稿では, トポロジカルマップ上での運動軌跡を利用したニューラルネットを用いた新しい軌跡学習手法を提案する。 ナビゲーションにおける自己運動の距離と方向の両方を認識できる人間の能力に触発されて,軌道学習法は,距離の列として符号化された軌道のパターン表現を学習し,角度を回転させて自己局所化を支援する。
  論文  参考訳（メタデータ） (2020-10-13T02:08:45Z)
• 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)
• Inductive Graph Neural Networks for Spatiotemporal Kriging [13.666589510218738]
  ネットワーク/グラフ構造上のアンサンプリングセンサのデータを復元するインダクティブグラフニューラルネットワークモデルを開発した。 複数の実世界の時間的データセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-13T01:23:44Z)
• Graph Neural Networks for Motion Planning [108.51253840181677]
  低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。 RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。 臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
  論文  参考訳（メタデータ） (2020-06-11T08:19:06Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。