論文の概要: Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction

• arxiv url: http://arxiv.org/abs/2411.04055v1
• Date: Wed, 06 Nov 2024 16:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:24:12.871333
• Title: Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction
• Title（参考訳）: 効率的な氷層厚さ予測のためのマルチブランチ時空間グラフニューラルネットワーク
• Authors: Zesheng Liu, Maryam Rahnemoonfar,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7673339435080445
• License:
• Abstract: Understanding spatio-temporal patterns in polar ice layers is essential for tracking changes in ice sheet balance and assessing ice dynamics. While convolutional neural networks are widely used in learning ice layer patterns from raw echogram images captured by airborne snow radar sensors, noise in the echogram images prevents researchers from getting high-quality results. Instead, we focus on geometric deep learning using graph neural networks, aiming to build a spatio-temporal graph neural network that learns from thickness information of the top ice layers and predicts for deeper layers. In this paper, we developed a novel multi-branch spatio-temporal graph neural network that used the GraphSAGE framework for spatio features learning and a temporal convolution operation to capture temporal changes, enabling different branches of the network to be more specialized and focusing on a single learning task. We found that our proposed multi-branch network can consistently outperform the current fused spatio-temporal graph neural network in both accuracy and efficiency.
• Abstract（参考訳）: 極氷層における時空間パターンの理解は、氷床のバランスの変化を追跡し、氷のダイナミクスを評価するために不可欠である。 畳み込みニューラルネットワークは、空中雪レーダーセンサーが捉えた生エコー画像から氷層パターンを学ぶのに広く使われているが、エコー画像のノイズは、研究者が高品質な結果を得るのを妨げている。 代わりに、グラフニューラルネットワークを用いた幾何学的深層学習に注目し、上部氷層の厚み情報から学習し、深い層を予測する時空間グラフニューラルネットワークの構築を目指している。 本稿では,グラフSAGEフレームワークを用いて,時間的変化を捉えるための時間的畳み込み操作と,グラフSAGEフレームワークを用いたマルチブランチ時空間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、現在の融合時空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。

関連論文リスト

• Peer-to-Peer Learning Dynamics of Wide Neural Networks [10.179711440042123]
  我々は,一般的なDGDアルゴリズムを用いて学習した広範ニューラルネットワークの学習力学を,明示的で非漸近的に特徴づける。 我々は,誤りや誤りを正確に予測し,分析結果を検証した。
  論文  参考訳（メタデータ） (2024-09-23T17:57:58Z)
• Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network [0.7673339435080445]
  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。
  論文  参考訳（メタデータ） (2024-06-21T16:41:02Z)
• 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)
• Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
  神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。 単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。 これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
  論文  参考訳（メタデータ） (2023-07-20T13:34:11Z)
• Efficient-Dyn: Dynamic Graph Representation Learning via Event-based Temporal Sparse Attention Network [2.0047096160313456]
  動的グラフニューラルネットワークは、研究者からますます注目を集めている。 本稿では,新しい動的グラフニューラルネットワークであるEfficient-Dynを提案する。 時間的情報を同じ量の時間的トポロジ的構造を持つパッチのシーケンスに適応的に符号化する。
  論文  参考訳（メタデータ） (2022-01-04T23:52:24Z)
• Learning through structure: towards deep neuromorphic knowledge graph embeddings [0.5906031288935515]
  本稿では,知識グラフ推論のための深層グラフ学習アーキテクチャをニューロモルフィックアーキテクチャにマッピングする戦略を提案する。 ランダムかつ未学習のグラフニューラルネットワークが局所的なグラフ構造を保存することができるという知見に基づいて、凍結したニューラルネットワークの浅い知識グラフ埋め込みモデルを構成する。 我々は,従来型のハードウェア上では,性能水準を維持しながら,高速化とメモリの大幅な削減を実現していることを示す。
  論文  参考訳（メタデータ） (2021-09-21T18:01:04Z)
• 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)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• Hcore-Init: Neural Network Initialization based on Graph Degeneracy [22.923756039561194]
  ディープラーニングアーキテクチャから抽出した全重み付きマルチパートグラフに対して,kコア構造の適応版を提案する。 多部グラフは双部グラフの組合せであり、ハイパーグラフの入射グラフであるので、k-ハイパーコア分解を設計する。
  論文  参考訳（メタデータ） (2020-04-16T12:57:14Z)

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。