論文の概要: Physics-Guided Fair Graph Sampling for Water Temperature Prediction in River Networks

• arxiv url: http://arxiv.org/abs/2412.16523v1
• Date: Sat, 21 Dec 2024 07:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:01:56.734091
• Title: Physics-Guided Fair Graph Sampling for Water Temperature Prediction in River Networks
• Title（参考訳）: 河川ネットワークにおける水温予測のための物理誘導フェアグラフサンプリング
• Authors: Erhu He, Declan Kutscher, Yiqun Xie, Jacob Zwart, Zhe Jiang, Huaxiu Yao, Xiaowei Jia,
• Abstract要約: 本研究は,流水温度を予測するグラフニューラルネットワーク(GNN)に基づく新しい手法を提案する。 これは、収入と教育レベルの異なる場所におけるモデルバイアスを減らすのに役立つ。
• 参考スコア（独自算出の注目度）: 27.275941333873263
• License:
• Abstract: This work introduces a novel graph neural networks (GNNs)-based method to predict stream water temperature and reduce model bias across locations of different income and education levels. Traditional physics-based models often have limited accuracy because they are necessarily approximations of reality. Recently, there has been an increasing interest of using GNNs in modeling complex water dynamics in stream networks. Despite their promise in improving the accuracy, GNNs can bring additional model bias through the aggregation process, where node features are updated by aggregating neighboring nodes. The bias can be especially pronounced when nodes with similar sensitive attributes are frequently connected. We introduce a new method that leverages physical knowledge to represent the node influence in GNNs, and then utilizes physics-based influence to refine the selection and weights over the neighbors. The objective is to facilitate equitable treatment over different sensitive groups in the graph aggregation, which helps reduce spatial bias over locations, especially for those in underprivileged groups. The results on the Delaware River Basin demonstrate the effectiveness of the proposed method in preserving equitable performance across locations in different sensitive groups.
• Abstract（参考訳）: この研究は、新しいグラフニューラルネットワーク(GNN)ベースの手法を導入し、流水温度を予測し、異なる収入と教育レベルの場所におけるモデルバイアスを低減する。 伝統的な物理学に基づくモデルは、必ずしも現実の近似であるため、精度が限られていることが多い。 近年,ストリームネットワークにおける複雑な水力学のモデリングにおけるGNNの利用に対する関心が高まっている。 正確性を改善するという彼らの約束にもかかわらず、GNNは集約プロセスを通じて、近隣ノードを集約することでノード機能を更新するモデルバイアスをもたらすことができる。 同様の感度特性を持つノードが頻繁に接続されている場合、バイアスは特に顕著である。 本稿では,GNNにおけるノードの影響を表現するために物理知識を活用する新しい手法を提案する。 グラフアグリゲーションにおける異なるセンシティブなグループに対する公平な処理を促進することを目的としており、特に未成年グループにおける場所に対する空間的偏りを低減するのに役立つ。 デラウェア川流域の結果は, 異なる敏感な集団の場所間での公平な性能を維持する上で, 提案手法の有効性を示すものである。

関連論文リスト

• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting [4.915744683251151]
  水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。 本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。 本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
  論文  参考訳（メタデータ） (2023-12-10T18:23:40Z)
• WeatherGNN: Exploiting Meteo- and Spatial-Dependencies for Local Numerical Weather Prediction Bias-Correction [11.10401300641113]
  本研究では,気象的依存関係と空間的依存関係を利用した局所的なNWPバイアス補正手法であるWeatherGNNを提案する。 2つの実世界のデータセットに対する実験結果から、WeatherGNNは最先端のパフォーマンスを達成し、RMSEの平均4.75%で最高のベースラインを上回りました。
  論文  参考訳（メタデータ） (2023-10-09T08:33:19Z)
• Disparity, Inequality, and Accuracy Tradeoffs in Graph Neural Networks for Node Classification [2.8282906214258796]
  グラフニューラルネットワーク(GNN)は、属性付きグラフのノードラベルを予測するための重要な人間のアプリケーションで、ますます使われている。 保護されたグループと保護されていないグループのノード間の分離性を減少させるPFR-AXと、ブラックボックスポリシーに基づいたモデル予測を更新するPostProcessという2つの新しいGNN非依存的介入を提案する。 PFR-AXとPostProcessは,保護群におけるノードの正の結果を正確に予測した場合に,粒度制御とモデル信頼度の向上を図っている。
  論文  参考訳（メタデータ） (2023-08-18T14:45:28Z)
• 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)
• LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
  本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。 そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。 提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
  論文  参考訳（メタデータ） (2023-05-07T09:06:11Z)
• When Do Graph Neural Networks Help with Node Classification? Investigating the Impact of Homophily Principle on Node Distinguishability [92.8279562472538]
  ホモフィリー原理は、ノード分類タスクにおけるニューラルネットワークよりもグラフネットワーク(GNN)の性能上の優位性の主要な理由であると考えられている。 最近の研究は、ホモフィリーがなくても、同じクラスのノードが類似した近隣パターンを共有する限り、GNNの利点は依然として存在することを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T09:40:47Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Discovering Dynamic Salient Regions for Spatio-Temporal Graph Neural Networks [14.040676498310198]
  本研究では,よく制限された領域に動的にアタッチするノードを学習するグラフニューラルネットワークモデルを提案する。 その結果,映像中の物体とよく相関している領域が発見された。 2つの挑戦的データセットに関する広範囲なアブレーション研究と実験において、ビデオ分類のための従来のグラフニューラルネットワークモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-09-17T17:23:38Z)
• PushNet: Efficient and Adaptive Neural Message Passing [1.9121961872220468]
  メッセージパッシングニューラルネットワークは、最近、グラフ上での表現学習に対する最先端のアプローチへと進化した。 既存のメソッドは、複数のラウンドですべてのエッジに沿って同期メッセージパッシングを実行する。 我々は、収束するまで最も関連性の高いエッジに沿ってのみ情報をプッシュする、新しい非同期メッセージパッシングアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-03-04T18:15:30Z)

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。