論文の概要: Graph Neural Networks and Spatial Information Learning for Post-Processing Ensemble Weather Forecasts

• arxiv url: http://arxiv.org/abs/2407.11050v1
• Date: Mon, 8 Jul 2024 18:39:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 12:09:54.851466
• Title: Graph Neural Networks and Spatial Information Learning for Post-Processing Ensemble Weather Forecasts
• Title（参考訳）: グラフニューラルネットワークと空間情報学習による天気予報の事後予測
• Authors: Moritz Feik, Sebastian Lerch, Jan Stühmer,
• Abstract要約: 本稿では,アンサンブル後処理のための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。 欧州における2m温度予測のケーススタディでは、グラフニューラルネットワークモデルは、高度に競争力のあるニューラルネットワークベースの後処理法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 1.474723404975345
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble forecasts from numerical weather prediction models show systematic errors that require correction via post-processing. While there has been substantial progress in flexible neural network-based post-processing methods over the past years, most station-based approaches still treat every input data point separately which limits the capabilities for leveraging spatial structures in the forecast errors. In order to improve information sharing across locations, we propose a graph neural network architecture for ensemble post-processing, which represents the station locations as nodes on a graph and utilizes an attention mechanism to identify relevant predictive information from neighboring locations. In a case study on 2-m temperature forecasts over Europe, the graph neural network model shows substantial improvements over a highly competitive neural network-based post-processing method.
• Abstract（参考訳）: 数値天気予報モデルからのアンサンブル予測は、後処理による修正を必要とする系統的なエラーを示す。 過去数年間、柔軟なニューラルネットワークベースの後処理手法が大幅に進歩してきたが、ほとんどのステーションベースのアプローチは、予測エラーで空間構造を利用する能力を制限する全ての入力データポイントを別々に扱う。 位置情報間の情報共有を改善するために,グラフ上の駅位置をノードとして表現し,周辺地域から関連する予測情報を識別するためのアテンション機構を利用する,アンサンブル後処理のための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。 欧州における2m温度予測のケーススタディでは、グラフニューラルネットワークモデルは、高度に競争力のあるニューラルネットワークベースの後処理法よりも大幅に改善されている。

関連論文リスト

• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• 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)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)
• Embedding Graph Convolutional Networks in Recurrent Neural Networks for Predictive Monitoring [0.0]
  本稿では,グラフ畳み込みネットワークとリカレントニューラルネットワークに基づくアプローチを提案する。 実生活のイベントログを実験的に評価したところ、我々のアプローチはより一貫性があり、最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-17T17:30:30Z)
• CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
  カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。 グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究 本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
  論文  参考訳（メタデータ） (2021-12-07T11:37:36Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Post-processing Multi-Model Medium-Term Precipitation Forecasts Using Convolutional Neural Networks [0.0]
  画素単位の予測を後処理する代わりに、入力予測画像を組み合わせ、完全な畳み込みニューラルネットワークを用いて確率的出力予測画像に変換する。 CNNは正規化ロジスティック回帰を上回りませんでした。
  論文  参考訳（メタデータ） (2021-05-14T19:30:48Z)
• Chickenpox Cases in Hungary: a Benchmark Dataset for Spatiotemporal Signal Processing with Graph Neural Networks [6.037276428689637]
  グラフニューラルネットワークアーキテクチャを比較するための新しいデータセットとして,Chickenpox Casesデータセットを提案する。 時系列解析と予測実験により,新たなグラフニューラルネットワークアーキテクチャの予測性能予測能力を比較する上で,チキンポックスケースデータセットが極めて適していることが示された。
  論文  参考訳（メタデータ） (2021-02-16T11:48:57Z)
• Ensemble methods for neural network-based weather forecasts [0.0]
  我々は,決定論的ニューラルネットワーク天気予報システムをアンサンブル予測システムに変換することを目指している。 ランダムな初期摂動、ニューラルネットワークの再学習、ネットワークにおけるランダムなドロップアウトの使用、特異ベクトル分解による初期摂動の生成の4つの方法をテストする。
  論文  参考訳（メタデータ） (2020-02-13T09:28:21Z)

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。