論文の概要: Heterogenous graph neural networks for species distribution modeling

• arxiv url: http://arxiv.org/abs/2503.11900v1
• Date: Fri, 14 Mar 2025 22:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:33:34.752911
• Title: Heterogenous graph neural networks for species distribution modeling
• Title（参考訳）: 種分布モデリングのための異種グラフニューラルネットワーク
• Authors: Lauren Harrell, Christine Kaeser-Chen, Burcu Karagol Ayan, Keith Anderson, Michelangelo Conserva, Elise Kleeman, Maxim Neumann, Matt Overlan, Melissa Chapman, Drew Purves,
• Abstract要約: グラフニューラルネットワーク(GNN)を用いた新しい存在のみの種分布モデル(SDM)を提案する。 本モデルでは, 種と位置を2つの異なるノード集合として扱い, 学習課題は, 位置と種をつなぐエッジとして検出記録を予測している。 SDMのベンチマークのためのNational Center for Ecological Analysis and Synthesis (NCEAS) によってコンパイルされた6領域データセット上で,本手法の可能性を評価する。
• 参考スコア（独自算出の注目度）: 6.423278804632857
• License:
• Abstract: Species distribution models (SDMs) are necessary for measuring and predicting occurrences and habitat suitability of species and their relationship with environmental factors. We introduce a novel presence-only SDM with graph neural networks (GNN). In our model, species and locations are treated as two distinct node sets, and the learning task is predicting detection records as the edges that connect locations to species. Using GNN for SDM allows us to model fine-grained interactions between species and the environment. We evaluate the potential of this methodology on the six-region dataset compiled by National Center for Ecological Analysis and Synthesis (NCEAS) for benchmarking SDMs. For each of the regions, the heterogeneous GNN model is comparable to or outperforms previously-benchmarked single-species SDMs as well as a feed-forward neural network baseline model.
• Abstract（参考訳）: 種分布モデル (SDM) は, 種の発生と生息環境の適合性, および環境要因との関係を計測し, 予測するために必要である。 本稿では,グラフニューラルネットワーク(GNN)を用いたプレゼンスオンリーSDMを提案する。 本モデルでは, 種と位置を2つの異なるノード集合として扱い, 学習課題は, 位置と種をつなぐエッジとして検出記録を予測している。 GNNをSDMに利用することで、種と環境の間のきめ細かい相互作用をモデル化することができる。 SDMのベンチマークのためのNational Center for Ecological Analysis and Synthesis (NCEAS) によってコンパイルされた6領域データセット上で,本手法の可能性を評価する。 それぞれの領域において、異種GNNモデルは、フィードフォワードニューラルネットワークベースラインモデルと同様に、以前ベンチマークされた単一種SDMに匹敵する、またはより優れる。

関連論文リスト

• Multi-Scale and Multimodal Species Distribution Modeling [4.022195138381868]
  種分布モデル (SDM) は, 発生データと環境変数の分布を予測することを目的としている。 SDMへのディープラーニングの最近の応用は、特に空間データを含む新しい道を可能にしている。 我々はSDMのモジュール構造を開発し、シングルスケールとマルチスケールの両方でスケールの効果をテストする。 GeoLifeCLEF 2023ベンチマークの結果は、マルチモーダルデータとマルチスケール表現の学習を考えると、より正確なモデルが得られることを示している。
  論文  参考訳（メタデータ） (2024-11-06T15:57:20Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• LD-SDM: Language-Driven Hierarchical Species Distribution Modeling [9.620416509546471]
  我々は,世界規模の存在のみのデータを用いた種分布モデリングの問題に焦点をあてる。 種間の強い暗黙の関係を捉えるため,大きな言語モデルを用いて,種の分類学的階層を符号化した。 そこで本研究では,種分布モデルの評価が可能な近接認識評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-13T18:11:37Z)
• Neural networks for geospatial data [0.0]
  NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。 NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。 理論的には、NN-GLSは不規則に観測された空間相関データプロセスに一貫性があることが示されている。
  論文  参考訳（メタデータ） (2023-04-18T17:52:23Z)
• Supervised Training of Siamese Spiking Neural Networks with Earth's Mover Distance [4.047840018793636]
  本研究は,高可逆性シアムニューラルネットモデルをイベントデータ領域に適応させる。 我々はスパイク・トレインとスパイク・ニューラル・ネットワーク(SNN)の間の地球のモーバー距離を最適化するための教師付きトレーニング・フレームワークを導入する。
  論文  参考訳（メタデータ） (2022-02-20T00:27:57Z)
• Siamese Neural Network with Joint Bayesian Model Structure for Speaker Verification [54.96267179988487]
  本稿では,話者検証のための新しいサイムズニューラルネットワーク(SiamNN)を提案する。 サンプルの結合分布は、JB(Joint Bayesian)に基づく生成モデルに基づいて最初に定式化される。 話者照合のための二項識別タスクとして,ペアワイズしたサンプルを用いてモデルパラメータを訓練する。
  論文  参考訳（メタデータ） (2021-04-07T09:17:29Z)
• StatEcoNet: Statistical Ecology Neural Networks for Species Distribution Modeling [8.534315844706367]
  本稿では、計算持続可能性と統計生態学におけるコアタスクである種分布モデリング(SDM)に焦点を当てる。 SDMでは、景観上の種の発生パターンは、一連の場所における観察に基づいて環境特性によって予測される。 本稿では,SDMのユニークな課題を解決するため,StatEcoNet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） (2021-02-17T02:19:00Z)
• Statistical model-based evaluation of neural networks [74.10854783437351]
  ニューラルネットワーク(NN)の評価のための実験装置を開発する。 このセットアップは、NNs vis-a-vis minimum-mean-square-error (MMSE)パフォーマンス境界のベンチマークに役立つ。 これにより、トレーニングデータサイズ、データ次元、データ幾何学、ノイズ、トレーニング条件とテスト条件のミスマッチの影響をテストできます。
  論文  参考訳（メタデータ） (2020-11-18T00:33:24Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。