Fugu-MT 論文翻訳(概要): Geoinformatics-Guided Machine Learning for Power Plant Classification

論文の概要: Geoinformatics-Guided Machine Learning for Power Plant Classification

arxiv url: http://arxiv.org/abs/2502.01039v1
Date: Mon, 03 Feb 2025 04:19:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 14:58:04.395186
Title: Geoinformatics-Guided Machine Learning for Power Plant Classification
Title（参考訳）: 植物分類のためのジオインフォマティクスを用いた機械学習
Authors: Blessing Austin-Gabriel, Aparna S. Varde, Hao Liu,
Abstract要約: 本稿では,知識誘導機械学習(KGML)分野におけるアプローチを提案する。 CNN (Convolutional Neural Networks) と ViT (Vision Transformers) とGIS (Geographic Information Systems) で構成されている。
参考スコア（独自算出の注目度）: 5.860728917811881
License:
Abstract: This paper proposes an approach in the area of Knowledge-Guided Machine Learning (KGML) via a novel integrated framework comprising CNN (Convolutional Neural Networks) and ViT (Vision Transformers) along with GIS (Geographic Information Systems) to enhance power plant classification in the context of energy management. Knowledge from geoinformatics derived through Spatial Masks (SM) in GIS is infused into an architecture of CNN and ViT, in this proposed KGML approach. It is found to provide much better performance compared to the baseline of CNN and ViT only in the classification of multiple types of power plants from real satellite imagery, hence emphasizing the vital role of the geoinformatics-guided approach. This work makes a contribution to the main theme of KGML that can be beneficial in many AI systems today. It makes broader impacts on AI in Smart Cities, and Environmental Computing.
Abstract（参考訳）: 本稿では,CNN (Convolutional Neural Networks) と ViT (Vision Transformers) とGIS (Geographic Information Systems) を組み合わせた新たな統合フレームワークによる知識誘導機械学習 (KGML) 分野へのアプローチを提案する。 GISにおける空間マスク(SM)から得られた地理情報学の知識は,提案したKGMLアプローチを用いて,CNNとViTのアーキテクチャに注入される。実際の衛星画像からの複数のタイプの発電所の分類においてのみ、CNNやViTのベースラインよりもはるかに優れた性能が得られ、したがってジオインフォマティクスによるアプローチの重要な役割を強調している。この研究は、今日の多くのAIシステムで有益なKGMLのメインテーマに貢献する。スマートシティにおけるAIと環境コンピューティングに大きな影響を与えている。

関連論文リスト

GLTW: Joint Improved Graph Transformer and LLM via Three-Word Language for Knowledge Graph Completion [52.026016846945424]
我々は、KGの構造情報をエンコードし、それを大規模言語モデルにマージするGLTWと呼ばれる新しい手法を提案する。具体的には、局所構造情報とグローバル構造情報の両方を効果的に符号化する改良されたグラフ変換器(iGT)を導入する。また,KG内のすべてのエンティティを分類対象として用いたサブグラフに基づく多分類学習目標を開発し,学習効率を向上する。
論文参考訳（メタデータ） (2025-02-17T06:02:59Z)
Power Plant Detection for Energy Estimation using GIS with Remote Sensing, CNN & Vision Transformers [1.563479906200713]
本稿では,CNN(Convolutional Neural Networks)とViT(Vision Transformers)による遠隔センシング機能を備えたGISをパイプライン化することで,エネルギー推定アプリケーションを支援するハイブリッドモデルを提案する。提案手法は,GISを介して共通マップ上の複数のデータ型をリアルタイムに解析し,CNNによる特徴抽出機能を実現する。
論文参考訳（メタデータ） (2024-12-06T12:15:11Z)
Customized Information and Domain-centric Knowledge Graph Construction with Large Language Models [0.0]
本稿では,構造化情報へのタイムリーなアクセスを実現するための知識グラフに基づく新しいアプローチを提案する。本フレームワークは,情報検索,キーフレーズ抽出,セマンティックネットワーク生成,トピックマップ可視化などを含むテキストマイニングプロセスを含む。当社の方法論を自動車電気システムの領域に適用して,スケーラブルなアプローチを実証する。
論文参考訳（メタデータ） (2024-09-30T07:08:28Z)
SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
論文参考訳（メタデータ） (2024-07-17T09:01:38Z)
Foundation Models for the Electric Power Grid [53.02072064670517]
ファンデーションモデル(FM)がニュースの見出しを支配している。多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
論文参考訳（メタデータ） (2024-07-12T17:09:47Z)
SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
論文参考訳（メタデータ） (2023-08-07T13:44:44Z)
Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文参考訳（メタデータ） (2022-06-20T10:05:38Z)
Efficient Hybrid Transformer: Learning Global-local Context for Urban Sence Segmentation [11.237929167356725]
都市景観画像のセマンティックセグメンテーションのための効率的なハイブリッドトランスフォーマ(EHT)を提案する。 EHTはCNNとTransformerを利用して、グローバルなローカルコンテキストを学び、特徴表現を強化する。提案されたEHTはUAVidテストセットで67.0% mIoUを達成し、他の軽量モデルよりも大幅に優れている。
論文参考訳（メタデータ） (2021-09-18T13:55:38Z)
Smart Grid: A Survey of Architectural Elements, Machine Learning and Deep Learning Applications and Future Directions [0.0]
ビッグデータ分析、機械学習(ML)、ディープラーニング(DL)は、この膨大なデータの分析と貴重な洞察の生成において重要な役割を果たす。本稿では、スマートグリッドのコンテキストにおいて、スマートグリッドアーキテクチャ要素、機械学習、ディープラーニングベースのアプリケーションおよびアプローチを調査し、調査する。
論文参考訳（メタデータ） (2020-10-16T01:40:24Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)
Distilling Knowledge from Graph Convolutional Networks [146.71503336770886]
既存の知識蒸留法は畳み込みニューラルネットワーク(CNN)に焦点を当てている本稿では,事前学習したグラフ畳み込みネットワーク(GCN)モデルから知識を抽出する手法を提案する。提案手法は,GCNモデルに対する最先端の知識蒸留性能を実現する。
論文参考訳（メタデータ） (2020-03-23T18:23:11Z)

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。