論文の概要: Robust and Noise-resilient Long-Term Prediction of Spatiotemporal Data Using Variational Mode Graph Neural Networks with 3D Attention
- arxiv url: http://arxiv.org/abs/2504.06660v1
- Date: Wed, 09 Apr 2025 07:49:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-10 13:05:46.893490
- Title: Robust and Noise-resilient Long-Term Prediction of Spatiotemporal Data Using Variational Mode Graph Neural Networks with 3D Attention
- Title（参考訳）: 変動モードグラフニューラルネットワークを用いた時空間データのロバスト・耐雑音性長期予測
- Authors: Osama Ahmad, Zubair Khalid,
- Abstract要約: 本稿では,時空間変動モードグラフネットワーク(VMGCN)を用いた長期予測の堅牢性向上に焦点をあてる。
このタスクのディープラーニングネットワークは過去のデータ入力に依存しているが、リアルタイムデータはセンサノイズによって破壊される可能性がある。
我々は、このノイズを独立かつ同一に分散したガウスノイズとしてモデル化し、LargeSTトラフィックボリュームデータセットに組み込む。
- 参考スコア（独自算出の注目度）: 11.356542363919058
- License:
- Abstract: This paper focuses on improving the robustness of spatiotemporal long-term prediction using a variational mode graph convolutional network (VMGCN) by introducing 3D channel attention. The deep learning network for this task relies on historical data inputs, yet real-time data can be corrupted by sensor noise, altering its distribution. We model this noise as independent and identically distributed (i.i.d.) Gaussian noise and incorporate it into the LargeST traffic volume dataset, resulting in data with both inherent and additive noise components. Our approach involves decomposing the corrupted signal into modes using variational mode decomposition, followed by feeding the data into a learning pipeline for prediction. We integrate a 3D attention mechanism encompassing spatial, temporal, and channel attention. The spatial and temporal attention modules learn their respective correlations, while the channel attention mechanism is used to suppress noise and highlight the significant modes in the spatiotemporal signals. Additionally, a learnable soft thresholding method is implemented to exclude unimportant modes from the feature vector, and a feature reduction method based on the signal-to-noise ratio (SNR) is applied. We compare the performance of our approach against baseline models, demonstrating that our method achieves superior long-term prediction accuracy, robustness to noise, and improved performance with mode truncation compared to the baseline models. The code of the paper is available at https://github.com/OsamaAhmad369/VMGCN.
- Abstract（参考訳）: 本稿では,3次元チャネルアテンションを導入し,変動モードグラフ畳み込みネットワーク(VMGCN)を用いた時空間長期予測のロバスト性の向上に着目する。
このタスクのディープラーニングネットワークは、過去のデータ入力に依存しているが、リアルタイムデータはセンサーノイズによって破損し、その分布を変化させることができる。
我々は、このノイズを独立かつ同一に分散したガウスノイズとしてモデル化し、LargeSTトラフィックボリュームデータセットに組み込む。
提案手法では, 劣化した信号を変分モード分解を用いてモードに分解し, 学習パイプラインに入力して予測を行う。
本研究では,空間的,時間的,チャネル的注意を包含する3次元アテンション機構を統合する。
空間的および時間的アテンションモジュールはそれぞれの相関関係を学習し、チャネルアテンション機構はノイズを抑制し、時空間信号の顕著なモードを強調する。
また、特徴ベクトルから重要でないモードを除外するために学習可能なソフトしきい値設定法を実装し、信号対雑音比(SNR)に基づく特徴量削減法を適用する。
提案手法は,ベースラインモデルに対するアプローチの性能を比較し,長期予測精度,騒音に対する堅牢性,およびモードトランケーションによる性能向上をベースラインモデルと比較した。
論文のコードはhttps://github.com/OsamaAhmad369/VMGCNで公開されている。
関連論文リスト
- Efficient Noise Mitigation for Enhancing Inference Accuracy in DNNs on Mixed-Signal Accelerators [4.416800723562206]
我々は、アナログニューラルネットワークの精度に基づいて、プロセス誘起および老化に関連するアナログコンピューティングコンポーネントのバリエーションをモデル化する。
事前学習モデルの選択した層間に挿入された遮音ブロックを導入する。
雑音レベルに対するモデルのロバスト性を大幅に向上させることを実証した。
論文 参考訳（メタデータ） (2024-09-27T08:45:55Z) - Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting [11.356542363919058]
本稿では,グラフニューラルネットワークを用いた時空間(ST)トラフィック予測の解釈に着目する。
本稿では,STデータを変分モード分解(VMD)法を用いてモードに分解するフレームワークを提案する。
本稿では,LargeSTデータセット上で提案したネットワークの性能を,短期および長期の予測において評価する。
論文 参考訳（メタデータ） (2024-08-29T01:09:30Z) - Improved Noise Schedule for Diffusion Training [51.849746576387375]
本稿では,拡散モデルのトレーニングを強化するため,ノイズスケジュールを設計するための新しい手法を提案する。
我々は,標準のコサインスケジュールよりもノイズスケジュールの方が優れていることを実証的に示す。
論文 参考訳（メタデータ） (2024-07-03T17:34:55Z) - Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - Enhancing Traffic Prediction with Learnable Filter Module [42.44466196331814]
交通データのノイズは、その性質上モデル化が困難であり、過度に適合するリスクを引き起こす可能性がある。
本稿では,トラフィックデータのノイズを適応的にフィルタする学習可能なフィルタモジュールを提案する。
提案するモジュールは軽量で,既存のモデルとの統合が容易であり,トラフィック予測性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-10-24T09:16:13Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳（メタデータ） (2022-11-26T14:28:54Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Predicting traffic signals on transportation networks using
spatio-temporal correlations on graphs [56.48498624951417]
本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。
予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。
提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
論文 参考訳（メタデータ） (2021-04-27T18:17:42Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳（メタデータ） (2020-09-12T23:52:25Z)
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。