論文の概要: A Stochastic Geo-spatiotemporal Bipartite Network to Optimize GCOOS Sensor Placement Strategies

• arxiv url: http://arxiv.org/abs/2404.14357v2
• Date: Fri, 27 Sep 2024 18:17:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 21:58:59.948852
• Title: A Stochastic Geo-spatiotemporal Bipartite Network to Optimize GCOOS Sensor Placement Strategies
• Title（参考訳）: GCOOSセンサ配置戦略を最適化する確率的地時空間二部ネットワーク
• Authors: Ted Edward Holmberg, Elias Ioup, Mahdi Abdelguerfi,
• Abstract要約: 本稿では,2部ネットワークモデルに適用可能な2つの新しい手法を提案する。 本研究の目的は, HYCOM海洋予測モデルによる予測結果を改善するため, GCOOSを拡張する最適配置を特定することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper proposes two new measures applicable in a spatial bipartite network model: coverage and coverage robustness. The bipartite network must consist of observer nodes, observable nodes, and edges that connect observer nodes to observable nodes. The coverage and coverage robustness scores evaluate the effectiveness of the observer node placements. This measure is beneficial for stochastic data as it may be coupled with Monte Carlo simulations to identify optimal placements for new observer nodes. In this paper, we construct a Geo-SpatioTemporal Bipartite Network (GSTBN) within the stochastic and dynamical environment of the Gulf of Mexico. This GSTBN consists of GCOOS sensor nodes and HYCOM Region of Interest (RoI) event nodes. The goal is to identify optimal placements to expand GCOOS to improve the forecasting outcomes by the HYCOM ocean prediction model.
• Abstract（参考訳）: 本稿では,空間二部ネットワークモデルに適用可能な2つの新しい手法を提案する。 バイパーティイトネットワークはオブザーバノード、オブザーバブルノード、オブザーバブルノードとオブザーバブルノードを接続するエッジで構成される必要がある。 カバレッジとカバレッジの堅牢性スコアは、オブザーバノード配置の有効性を評価する。 この尺度は、モンテカルロシミュレーションと組み合わせて新しい観測ノードの最適配置を特定することにより、確率的データにとって有益である。 本稿ではメキシコ湾の確率的・動的環境の中で,地球時空間二部ネットワーク(GSTBN)を構築した。 このGSTBNは、GCOOSセンサーノードとHYCOM Region of Interest (RoI)イベントノードで構成される。 本研究の目的は, HYCOM海洋予測モデルによる予測結果を改善するため, GCOOSを拡張する最適配置を特定することである。

関連論文リスト

• Prioritized Propagation in Graph Neural Networks [17.749916004704442]
  本稿では,GNNにおいて優先度付けされたノード単位のメッセージ伝達を学習するための汎用フレームワークPProを提案する。 具体的には、バックボーンGNNモデルと、ノードの最適な伝搬ステップを決定する伝搬制御器と、ノードの優先度スコアを計算する重み制御器とから構成される。 8つのベンチマークデータセット上で、我々のフレームワークを他の11の最先端の競合と比較するために、広範な実験を行います。
  論文  参考訳（メタデータ） (2023-11-06T02:38:35Z)
• A Topological Perspective on Demystifying GNN-Based Link Prediction Performance [72.06314265776683]
  トポロジカル濃度 (TC) は、各ノードの局所部分グラフと隣人の部分グラフの交点に基づいている。 また,TCLは,次数や部分グラフ密度などの他のノードレベルのトポロジ指標よりもLP性能と高い相関性を示した。 我々は, 近似トポロジカル濃度 (ATC) を提案し, 理論的・経験的にTC近似の有効性を正当化し, 複雑さを低減させる。
  論文  参考訳（メタデータ） (2023-10-06T22:07:49Z)
• Kernel-based Substructure Exploration for Next POI Recommendation [20.799741790823425]
  POI(Point-of-Interest)レコメンデーションは、レコメンデーションシステムにおいてますます重要な役割を果たす。 既存のほとんどの手法は、リカレントニューラルネットワーク(RNN)を利用して、レコメンデーションのためのシーケンシャルな影響を探索する。 地理的および逐次的影響の両特性を組み合わせた,次回のPOIレコメンデーションのための Kernel-based Graph Neural Network (KBGNN) を提案する。
  論文  参考訳（メタデータ） (2022-10-08T08:36:34Z)
• Structure Enhanced Graph Neural Networks for Link Prediction [6.872826041648584]
  リンク予測のための構造拡張グラフニューラルネットワーク(SEG)を提案する。 SEGは、ターゲットノードの周囲の位相情報を通常のGNNモデルに組み込む。 OGBリンク予測データセットの実験は、SEGが最先端の結果を達成することを示す。
  論文  参考訳（メタデータ） (2022-01-14T03:49:30Z)
• WGCN: Graph Convolutional Networks with Weighted Structural Features [25.64794159605137]
  グラフ畳み込みネットワーク(GCN)は、構造情報をキャプチャしてノードの表現を学習する。 WGCNという重み付き構造を有するGCNモデルを提案する。 実験の結果、WGCNは5つのベンチマークデータセットの精度において、ベースラインモデルを最大17.07%向上させることがわかった。
  論文  参考訳（メタデータ） (2021-04-29T00:50:06Z)
• An Adversarial Human Pose Estimation Network Injected with Graph Structure [75.08618278188209]
  本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。 ネットワークは、2つのシンプルで効率的なモジュール、カスケード機能ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されています。
  論文  参考訳（メタデータ） (2021-03-29T12:07:08Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method [114.48708191371524]
  グラフ畳み込みネットワーク(GCN)は情報検索(IR)アプリケーションのための新興技術である。 この研究は、ほとんど精査されていないテストノードの局所的な構造差に焦点を当てている。 本稿では,GCNの動作メカニズムを因果グラフを用いて解析し,ノードの局所構造による因果効果を推定する。
  論文  参考訳（メタデータ） (2020-10-22T15:21:47Z)
• GraphReach: Position-Aware Graph Neural Network using Reachability Estimations [12.640837452980332]
  GraphReachは位置認識型誘導型GNNで、到達可能性推定を通じてノードのグローバルな位置をキャプチャする。 このアンカー選択問題はNPハードであることが示され、結果としてグリーディ(1-1/e)近似が展開される。 最先端のGNNアーキテクチャに対する実証的な評価は、GraphReachが正確性において最大40%の相対的な改善を提供することを示している。
  論文  参考訳（メタデータ） (2020-08-19T14:30:03Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。