論文の概要: Accelerating Flood Warnings by 10 Hours: The Power of River Network Topology in AI-enhanced Flood Forecasting

• arxiv url: http://arxiv.org/abs/2410.05536v3
• Date: Thu, 13 Mar 2025 00:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 19:21:34.482967
• Title: Accelerating Flood Warnings by 10 Hours: The Power of River Network Topology in AI-enhanced Flood Forecasting
• Title（参考訳）: AIによる洪水予報における河川ネットワークのトポロジの力
• Authors: Hongjun Wang, Jiyuan Chen, Yinqiang Zheng, Xuan Song,
• Abstract要約: グラフニューラルネットワーク(GNN)は、高ノード抵抗距離から過度に流れ込む木のような構造により、河川ネットワークのトポロジーを弱めている。 本研究では、トポロジカルな接続を密度化し、抵抗距離を減らすために、到達可能性に基づくグラフ変換を導入する。 極度の洪水予測では、変換GNNはEA-LSTMよりも優れており、EA-LSTMの14時間予測と同等の24時間水位精度を実現している。
• 参考スコア（独自算出の注目度）: 30.106533909897102
• License:
• Abstract: Climate change-driven floods demand advanced forecasting models, yet Graph Neural Networks (GNNs) underutilize river network topology due to tree-like structures causing over-squashing from high node resistance distances. This study identifies this limitation and introduces a reachability-based graph transformation to densify topological connections, reducing resistance distances. Empirical tests show transformed-GNNs outperform EA-LSTM in extreme flood prediction, achieving 24-h water level accuracy equivalent to EA-LSTM's 14-h forecasts - a 71% improvement in long-term predictive horizon. The dense graph retains flow dynamics across hierarchical river branches, enabling GNNs to capture distal node interactions critical for rare flood events. This topological innovation bridges the gap between river network structure and GNN modeling, offering a scalable framework for early warning systems.
• Abstract（参考訳）: 気候変動によって引き起こされる洪水は、高度な予測モデルを必要とするが、グラフニューラルネットワーク(GNN)は、高ノード抵抗距離から過度に流れ込む木のような構造のために、河川ネットワークのトポロジーを弱めている。 本研究は, この限界を同定し, トポロジカルな接続を密度化し, 抵抗距離を減少させる到達可能性に基づくグラフ変換を導入する。 実証実験では、変換GNNはEA-LSTMを極度の洪水予測で上回り、EA-LSTMの14時間予測に匹敵する24時間水位精度を達成した。 密度グラフは階層的な川支流を流れる流れのダイナミクスを保ち、GNNは希少な洪水に重要な遠位ノードの相互作用を捉えることができる。 このトポロジ的革新は、河川ネットワーク構造とGNNモデリングのギャップを埋め、早期警戒システムのためのスケーラブルなフレームワークを提供する。

関連論文リスト

• Exemplar-condensed Federated Class-incremental Learning [9.970891140174658]
  本稿では,ストリーミングデータから実画像のトレーニング特性を情報リハーサルの例に活かすために,Exemplar-Condensed Federated Class-Incremental Learning (ECoral)を提案する。
  論文  参考訳（メタデータ） (2024-12-25T15:13:40Z)
• Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Leveraging Hierarchical Taxonomies in Prompt-based Continual Learning [41.13568563835089]
  深層学習モデルの学習において,情報の整理・接続という人間の習慣を適用することが効果的な戦略として有効であることがわかった。 本稿では,モデルがより挑戦的な知識領域に集中するように促す新たな正規化損失関数を提案する。
  論文  参考訳（メタデータ） (2024-10-06T01:30:40Z)
• Distribution-Level Feature Distancing for Machine Unlearning: Towards a Better Trade-off Between Model Utility and Forgetting [4.220336689294245]
  本稿では,タスク関連特徴相関を保ちつつ,効率的にインスタンスを破棄する新しい手法である分散レベル特徴分散(DLFD)を提案する。 提案手法は, 特徴分布を忘れ試料と明確に異なるように最適化し, 単一の学習エポック内で有効結果を得る。
  論文  参考訳（メタデータ） (2024-09-23T06:51:10Z)
• Enhancing Fine-Grained Visual Recognition in the Low-Data Regime Through Feature Magnitude Regularization [23.78498670529746]
  抽出した特徴量の均等分布を保証するために正規化手法を導入する。 その明らかな単純さにもかかわらず、我々の手法は様々な細粒度視覚認識データセットに対して顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2024-09-03T07:32:46Z)
• A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
  コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。 本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。 背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-08-01T07:40:00Z)
• PairCFR: Enhancing Model Training on Paired Counterfactually Augmented Data through Contrastive Learning [49.60634126342945]
  Counterfactually Augmented Data (CAD)は、既存のデータサンプルのラベルを他のクラスに戻すのに、最小限かつ十分な修正を適用することで、新しいデータサンプルを作成する。 近年の研究では、CADを用いたトレーニングが、他の重要な文脈情報を無視しながら、モデルが修正機能に過度にフォーカスする可能性があることが示されている。 我々は、対実的手がかりの学習に加えて、グローバルな特徴アライメントを促進するために、対照的な学習を採用する。
  論文  参考訳（メタデータ） (2024-06-09T07:29:55Z)
• Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
  本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。 革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
  論文  参考訳（メタデータ） (2024-04-03T13:35:51Z)
• Clothes-Invariant Feature Learning by Causal Intervention for Clothes-Changing Person Re-identification [118.23912884472794]
  衣服変化者再識別(CC-ReID)における衣服不変の特徴抽出の重要性 衣服と身元には強い相関関係があることを論じ, 衣服に関係のない特徴を抽出するために, 共通可能性に基づくReID法P(Y|X) を制限している。 衣服不変の特徴学習を実現するために,新しい因果的衣服不変学習法(CCIL)を提案する。
  論文  参考訳（メタデータ） (2023-05-10T13:48:24Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。