論文の概要: Inductive Spatio-Temporal Kriging with Physics-Guided Increment Training Strategy for Air Quality Inference

• arxiv url: http://arxiv.org/abs/2503.09646v1
• Date: Wed, 12 Mar 2025 08:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:52:06.500103
• Title: Inductive Spatio-Temporal Kriging with Physics-Guided Increment Training Strategy for Air Quality Inference
• Title（参考訳）: 物理誘導インクリメントトレーニングによる空気質推論のためのインダクティブ時空間リグ
• Authors: Songlin Yang, Tao Yang, Bo Hu,
• Abstract要約: 本稿では,観測されていない場所での空気質を推定するための物理誘導インクリメントトレーニング戦略(PGITS)を提案する。 この戦略は,仮想ノードと実ノードのブリッジとして物理原理を用いることで,仮想ノードの特徴が実ノードに近いことを保証する。
• 参考スコア（独自算出の注目度）: 25.08033305174559
• License:
• Abstract: The deployment of sensors for air quality monitoring is constrained by high costs, leading to inadequate network coverage and data deficits in some areas. Utilizing existing observations, spatio-temporal kriging is a method for estimating air quality at unobserved locations during a specific period. Inductive spatio-temporal kriging with increment training strategy has demonstrated its effectiveness using virtual nodes to simulate unobserved nodes. However, a disparity between virtual and real nodes persists, complicating the application of learning patterns derived from virtual nodes to actual unobserved ones. To address these limitations, this paper presents a Physics-Guided Increment Training Strategy (PGITS). Specifically, we design a dynamic graph generation module to incorporate the advection and diffusion processes of airborne particles as physical knowledge into the graph structure, dynamically adjusting the adjacency matrix to reflect physical interactions between nodes. By using physics principles as a bridge between virtual and real nodes, this strategy ensures the features of virtual nodes and their pseudo labels are closer to actual nodes. Consequently, the learned patterns of virtual nodes can be applied to actual unobserved nodes for effective kriging.
• Abstract（参考訳）: 大気質モニタリングのためのセンサーの配備は、高コストで制約されており、ネットワークのカバーが不十分で、一部の地域ではデータ不足が発生している。 既存の観測を生かして、時空間クリギング(spatio-temporal kriging)は、特定の期間に観測されていない場所での空気質を推定する方法である。 インクリメントトレーニング戦略を用いたインダクティブ時空間クリグは、仮想ノードを用いて観測されていないノードをシミュレートする効果を実証した。 しかし、仮想ノードと実際のノードの相違が持続し、仮想ノードから実際の観測されていないノードへの学習パターンの適用が複雑になる。 本稿では,これらの制約に対処するため,物理誘導インクリメントトレーニング戦略(PGITS)を提案する。 具体的には,空飛ぶ粒子の対流・拡散過程を物理知識としてグラフ構造に組み込む動的グラフ生成モジュールを設計し,隣接行列を動的に調整し,ノード間の物理的相互作用を反映する。 物理原理を仮想ノードと実ノードの間のブリッジとして使用することにより、仮想ノードの特徴と擬似ラベルが実際のノードに近いことを保証する。 これにより、仮想ノードの学習パターンを実際の観測されていないノードに適用し、効率的なクリグを行うことができる。

関連論文リスト

• Virtual Nodes Improve Long-term Traffic Prediction [9.125554921271338]
  本研究では,仮想ノードを組み込んだ新しいフレームワークを紹介し,グラフに追加したノードを既存ノードに接続する。 提案モデルでは,セミアダプティブ・アジャシエイト行列を構築し,仮想ノードを組み込んだ。 実験により,仮想ノードの挿入は長期予測精度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-01-17T09:09:01Z)
• DarkFarseer: Inductive Spatio-temporal Kriging via Hidden Style Enhancement and Sparsity-Noise Mitigation [9.966211056209119]
  センサーネットワークを構築するための高コストは、その規模とカバレッジを制限し、きめ細かいデプロイメントを困難にしている。 Inductctive Spatio-Temporal Kriging (ISK)は仮想センサを導入してこの問題に対処する。 3つのキーコンポーネントを持つ新しいISKフレームワークであるDarkFarseerを提案する。
  論文  参考訳（メタデータ） (2025-01-06T07:11:34Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
  現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。 この問題に対処するために,ST-FiTというフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-14T17:51:29Z)
• CTRL: Continuous-Time Representation Learning on Temporal Heterogeneous Information Network [32.42051167404171]
  時間HINを用いた連続時間表現学習モデルを提案する。 我々は、高次ネットワーク構造の進化を捉えるために、将来の事象(サブグラフ)予測タスクでモデルを訓練する。 その結果,本モデルは性能を著しく向上し,様々な最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-11T03:39:22Z)
• KITS: Inductive Spatio-Temporal Kriging with Increment Training Strategy [21.19416886799383]
  Krigingは、観測されたソースノード(センサー付き)を使用して、観測されていないノード(センサーなし)を推論するための調整されたタスクである。 ノードの代わりに仮想ノードをトレーニンググラフに追加し、グラフギャップマスキング問題を自然に解決する。 我々は、インクリメントトレーニング戦略をKITSと命名した。
  論文  参考訳（メタデータ） (2023-11-05T04:43:48Z)
• Graph Condensation for Inductive Node Representation Learning [59.76374128436873]
  マッピング対応グラフ凝縮法(MCond)を提案する。 MCondは、帰納的表現学習のための合成グラフに新しいノードを統合する。 Redditデータセットでは、最大121.5倍の推論スピードアップと55.9倍のストレージ要求の削減を実現している。
  論文  参考訳（メタデータ） (2023-07-29T12:11:14Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Implicit Under-Parameterization Inhibits Data-Efficient Deep Reinforcement Learning [97.28695683236981]
  さらなる勾配更新により、現在の値ネットワークの表現性が低下する。 AtariとGymのベンチマークでは、オフラインとオンラインのRL設定の両方でこの現象を実証する。
  論文  参考訳（メタデータ） (2020-10-27T17:55:16Z)
• Inductive Representation Learning on Temporal Graphs [33.44276155380476]
  時間的動的グラフは、新しいノードの処理と時間的パターンのキャプチャを必要とする。 本研究では,時間-トポロジ的特徴を効率的に集約する時間グラフアテンション層を提案する。 TGAT層を積み重ねることで、ネットワークはノードの埋め込みを時間の関数として認識し、新しいノードと観測されたノードの両方の埋め込みを誘導的に推論することができる。
  論文  参考訳（メタデータ） (2020-02-19T02:05:37Z)

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。