論文の概要: Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network

• arxiv url: http://arxiv.org/abs/2406.15299v1
• Date: Fri, 21 Jun 2024 16:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 12:53:38.502723
• Title: Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network
• Title（参考訳）: 物理インフォームドグラフニューラルネットワークによる極氷層の時空間パターンの学習
• Authors: Zesheng Liu, Maryam Rahnemoonfar,
• Abstract要約: 本稿では,グラフ特徴学習のためのGraphSAGEフレームワークと,時間変化学習のためのLSTM構造を組み合わせた物理インフォーム型ハイブリッドグラフニューラルネットワークを提案する。 我々のネットワークは、深い氷層厚を予測する際に、現在の非誘導的または非物理的モデルよりも一貫して優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.7673339435080445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning spatio-temporal patterns of polar ice layers is crucial for monitoring the change in ice sheet balance and evaluating ice dynamic processes. While a few researchers focus on learning ice layer patterns from echogram images captured by airborne snow radar sensors via different convolutional neural networks, the noise in the echogram images proves to be a major obstacle. Instead, we focus on geometric deep learning based on graph neural networks to learn the spatio-temporal patterns from thickness information of shallow ice layers and make predictions for deep layers. In this paper, we propose a physics-informed hybrid graph neural network that combines the GraphSAGE framework for graph feature learning with the long short-term memory (LSTM) structure for learning temporal changes, and introduce measurements of physical ice properties from Model Atmospheric Regional (MAR) weather model as physical node features. We found that our proposed network can consistently outperform the current non-inductive or non-physical model in predicting deep ice layer thickness.
• Abstract（参考訳）: 極氷層の時空間パターンの学習は,氷床のバランスの変化を監視し,氷の動的過程を評価する上で重要である。 数人の研究者が、異なる畳み込みニューラルネットワークを介して、空中雪レーダーセンサーが捉えたエコー画像から、氷の層パターンを学ぶことに集中しているが、エコー画像のノイズは大きな障害であることが証明されている。 代わりに、グラフニューラルネットワークに基づく幾何学的深層学習に注目し、浅い氷層の厚さ情報から時空間パターンを学習し、深層予測を行う。 本稿では、グラフ特徴学習のためのGraphSAGEフレームワークと、時間変化を学習するための長期記憶(LSTM)構造を組み合わせた物理インフォーマルなハイブリッドグラフニューラルネットワークを提案し、物理ノードの特徴としてモデル大気地域(MAR)気象モデルから物理氷特性の測定を導入する。 提案するネットワークは,氷層厚の予測において,現在の非誘導的あるいは非物理的モデルより一貫して優れていることがわかった。

関連論文リスト

• Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction [0.7673339435080445]
  学習にはGraphSSフレームワークと時間的変化を捉えるための時間的畳み込み操作を用いたマルチブランチ・テンポラルグラフニューラルネットワークを開発した。 提案したマルチブランチネットワークは、現在の融合時間グラフニューラルネットワークを精度と効率の両方で一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T16:59:51Z)
• Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
  そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。 格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。 トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
  論文  参考訳（メタデータ） (2023-09-11T21:14:55Z)
• Prediction of Deep Ice Layer Thickness Using Adaptive Recurrent Graph Neural Networks [0.38073142980732994]
  積雪予測に適応的かつ反復的なグラフ畳み込みネットワークを用いた機械学習モデルを提案する。 我々は,従来のモデルと同等の非時間的,非幾何学的,非適応的モデルよりも,より優れた一貫性を持つモデルを見出した。
  論文  参考訳（メタデータ） (2023-06-22T19:59:54Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Geometric Knowledge Distillation: Topology Compression for Graph Neural Networks [80.8446673089281]
  グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。 本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。 基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
  論文  参考訳（メタデータ） (2022-10-24T08:01:58Z)
• Dynamic Analysis of Nonlinear Civil Engineering Structures using Artificial Neural Network with Adaptive Training [2.1202971527014287]
  本研究では,適応学習アルゴリズムを用いて人工ニューラルネットワークを開発した。 実地運動記録に対するせん断フレームと岩体構造の時間履歴応答をネットワークで予測できる。
  論文  参考訳（メタデータ） (2021-11-21T21:14:48Z)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)

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。