論文の概要: A Deep Generative Model for the Simulation of Discrete Karst Networks

• arxiv url: http://arxiv.org/abs/2506.09832v1
• Date: Wed, 11 Jun 2025 15:10:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:03.081124
• Title: A Deep Generative Model for the Simulation of Discrete Karst Networks
• Title（参考訳）: 離散カーストネットワークシミュレーションのための深部生成モデル
• Authors: Dany Lauzon, Julien Straubhaar, Philippe Renard,
• Abstract要約: グラフ生成モデルを用いてカルストネットワークをグラフとして表現する。 ノードは空間情報とプロパティを保持し、エッジはノード間の接続を表す。 実世界のカルストネットワークを用いて本手法を検証し,生成したサブグラフとデータベースからの実際のサブグラフを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The simulation of discrete karst networks presents a significant challenge due to the complexity of the physicochemical processes occurring within various geological and hydrogeological contexts over extended periods. This complex interplay leads to a wide variety of karst network patterns, each intricately linked to specific hydrogeological conditions. We explore a novel approach that represents karst networks as graphs and applies graph generative models (deep learning techniques) to capture the intricate nature of karst environments. In this representation, nodes retain spatial information and properties, while edges signify connections between nodes. Our generative process consists of two main steps. First, we utilize graph recurrent neural networks (GraphRNN) to learn the topological distribution of karst networks. GraphRNN decomposes the graph simulation into a sequential generation of nodes and edges, informed by previously generated structures. Second, we employ denoising diffusion probabilistic models on graphs (G-DDPM) to learn node features (spatial coordinates and other properties). G-DDPMs enable the generation of nodes features on the graphs produced by the GraphRNN that adhere to the learned statistical properties by sampling from the derived probability distribution, ensuring that the generated graphs are realistic and capture the essential features of the original data. We test our approach using real-world karst networks and compare generated subgraphs with actual subgraphs from the database, by using geometry and topology metrics. Our methodology allows stochastic simulation of discrete karst networks across various types of formations, a useful tool for studying the behavior of physical processes such as flow and transport.
• Abstract（参考訳）: 離散カルストネットワークのシミュレーションは、長期にわたって様々な地質学的・水文学的文脈で起こる物理化学的過程の複雑さによって重要な課題を呈している。 この複雑な相互作用は、様々なカルストネットワークパターンをもたらし、それぞれが特定の地質学的条件に複雑に結びついている。 カルストネットワークをグラフとして表現し、カルスト環境の複雑な性質を捉えるためにグラフ生成モデル(深層学習技術)を適用する。 この表現では、ノードは空間情報とプロパティを保持し、エッジはノード間の接続を表す。 我々の生成過程は2つの主要なステップから構成される。 まず、グラフリカレントニューラルネットワーク(GraphRNN)を用いて、カルストネットワークのトポロジ的分布を学習する。 GraphRNNはグラフシミュレーションをノードとエッジの逐次生成に分解し、以前に生成された構造から情報を得る。 第2に,グラフ上の拡散確率モデル(G-DDPM)を用いてノードの特徴(空間座標など)を学習する。 G-DDPMは、抽出された確率分布からサンプリングすることで学習された統計特性に従属するグラフ上のノード特徴の生成を可能にし、生成されたグラフが現実的であり、元のデータの本質的な特徴をキャプチャする。 実世界のカルストネットワークを用いて我々のアプローチを検証し、幾何学とトポロジのメトリクスを用いて、生成したサブグラフとデータベースの実際のサブグラフを比較した。 本手法は,様々な形態の離散カルストネットワークの確率的シミュレーションを可能にし,流れや輸送などの物理過程の挙動を研究する上で有用なツールである。

関連論文リスト

• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• Text Enriched Sparse Hyperbolic Graph Convolutional Networks [21.83127488157701]
  グラフニューラルネットワーク(GNN)とその双曲型は、そのようなネットワークを低次元の潜在空間でエンコードするための有望なアプローチを提供する。 本稿では,グラフのメタパス構造を意味信号を用いて捉えるために,テキスト強化スパースハイパーボリックグラフ畳み込みネットワーク(TESH-GCN)を提案する。 我々のモデルは,リンク予測のタスクにおいて,最先端のアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-06T00:23:35Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。