論文の概要: Multi-Scale Graph Learning for Anti-Sparse Downscaling

• arxiv url: http://arxiv.org/abs/2505.01948v1
• Date: Sat, 03 May 2025 23:52:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.348619
• Title: Multi-Scale Graph Learning for Anti-Sparse Downscaling
• Title（参考訳）: アンチスパースダウンスケーリングのためのマルチスケールグラフ学習
• Authors: Yingda Fan, Runlong Yu, Janet R. Barclay, Alison P. Appling, Yiming Sun, Yiqun Xie, Xiaowei Jia,
• Abstract要約: 細かな空間解像度での河川水温の正確な予測は、水質を維持し水生生物を保護するための正確な介入を可能にする。 そこで本研究では,Multi-Scale Graph Learning(MSGL)法を提案する。
• 参考スコア（独自算出の注目度）: 15.413508055175955
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Water temperature can vary substantially even across short distances within the same sub-watershed. Accurate prediction of stream water temperature at fine spatial resolutions (i.e., fine scales, $\leq$ 1 km) enables precise interventions to maintain water quality and protect aquatic habitats. Although spatiotemporal models have made substantial progress in spatially coarse time series modeling, challenges persist in predicting at fine spatial scales due to the lack of data at that scale.To address the problem of insufficient fine-scale data, we propose a Multi-Scale Graph Learning (MSGL) method. This method employs a multi-task learning framework where coarse-scale graph learning, bolstered by larger datasets, simultaneously enhances fine-scale graph learning. Although existing multi-scale or multi-resolution methods integrate data from different spatial scales, they often overlook the spatial correspondences across graph structures at various scales. To address this, our MSGL introduces an additional learning task, cross-scale interpolation learning, which leverages the hydrological connectedness of stream locations across coarse- and fine-scale graphs to establish cross-scale connections, thereby enhancing overall model performance. Furthermore, we have broken free from the mindset that multi-scale learning is limited to synchronous training by proposing an Asynchronous Multi-Scale Graph Learning method (ASYNC-MSGL). Extensive experiments demonstrate the state-of-the-art performance of our method for anti-sparse downscaling of daily stream temperatures in the Delaware River Basin, USA, highlighting its potential utility for water resources monitoring and management.
• Abstract（参考訳）: 水温は、同じ分水界内の短い距離でも大きく変化する。 微細な空間分解能(例えば、微細なスケール、$\leq$1 km)での河川水温の正確な予測は、水質の維持と水生生物保護のために正確な介入を可能にする。 空間的に粗い時系列モデリングでは時空間モデルが大きく進歩しているが,その規模でのデータ不足が原因で空間スケールの予測が困難であり,その問題に対処するために,マルチスケールグラフ学習(MSGL)法を提案する。 本手法では,大規模データセットによって強化された粗大グラフ学習を同時に行うマルチタスク学習フレームワークを用いる。 既存のマルチスケールまたはマルチ解像度の手法は異なる空間スケールのデータを統合しているが、それらはしばしば様々なスケールでグラフ構造間の空間的対応を見落としている。 これを解決するために,我々のMSGLは,粗いグラフと細いグラフをまたいだストリーム位置の流体学的結合性を活用して,クロススケール接続を確立することによって,全体的なモデル性能を向上させる,新たな学習タスクであるクロススケール補間学習を導入している。 さらに,Asynchronous Multi-Scale Graph Learning method (ASYNC-MSGL)を提案することにより,マルチスケール学習が同期学習に限定されているという考え方から脱却した。 米国デラウェア川流域において, 毎日の河川温度の急激な下降効果を実証し, 水資源モニタリング・管理の可能性を強調した。

関連論文リスト

• 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)
• 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)
• SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal Forecasting [9.013416216828361]
  予測性能の向上を目的としたSGL(Series-Aligned Multi-Scale Graph Learning)フレームワークを提案する。 本研究では,非遅延グラフ信号の集約を容易にする一連のグラフ層を提案する。 気象・交通予測データセットについて実験を行い,その有効性と優越性を実証した。
  論文  参考訳（メタデータ） (2023-12-05T10:37:54Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Automated Spatio-Temporal Graph Contrastive Learning [18.245433428868775]
  パラメータ化コントラストビュージェネレータを用いた時間自動拡張方式を開発した。 AutoSTは多視点セマンティクスをよく保存した異種グラフに適応することができる。 いくつかの実世界のデータセットで3つのダウンストリーム時間的マイニングタスクの実験は、大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2023-05-06T03:52:33Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Distributionally Robust Semi-Supervised Learning Over Graphs [68.29280230284712]
  グラフ構造化データに対する半教師付き学習(SSL)は、多くのネットワークサイエンスアプリケーションに現れる。 グラフ上の学習を効率的に管理するために,近年,グラフニューラルネットワーク(GNN)の変種が開発されている。 実際に成功したにも拘わらず、既存の手法のほとんどは、不確実な結節属性を持つグラフを扱うことができない。 ノイズ測定によって得られたデータに関連する分布の不確実性によっても問題が発生する。 分散ロバストな学習フレームワークを開発し,摂動に対する定量的ロバスト性を示すモデルを訓練する。
  論文  参考訳（メタデータ） (2021-10-20T14:23:54Z)
• Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition [79.33539539956186]
  本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。 これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-31T11:28:25Z)

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。