論文の概要: ST-GRIT: Spatio-Temporal Graph Transformer For Internal Ice Layer Thickness Prediction

• arxiv url: http://arxiv.org/abs/2507.07389v1
• Date: Thu, 10 Jul 2025 03:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.255429
• Title: ST-GRIT: Spatio-Temporal Graph Transformer For Internal Ice Layer Thickness Prediction
• Title（参考訳）: ST-GRIT:内部氷層厚さ予測のための時空間グラフ変換器
• Authors: Zesheng Liu, Maryam Rahnemoonfar,
• Abstract要約: レーダ画像における内部氷層の厚さと変動性は、積雪の蓄積を監視し、氷のダイナミクスを評価し、気候モデルにおける不確実性を減らすために重要である。 本研究では, 浅氷層と深氷層の関係を把握し, レーダの処理を目的として, 氷層厚の時間グラフを作成した。 ST-GRITは、ルート平均二乗誤差を低くすることで、現在の最先端手法や他のベースライングラフニューラルネットワークを一貫して上回る。
• 参考スコア（独自算出の注目度）: 0.7673339435080445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the thickness and variability of internal ice layers in radar imagery is crucial for monitoring snow accumulation, assessing ice dynamics, and reducing uncertainties in climate models. Radar sensors, capable of penetrating ice, provide detailed radargram images of these internal layers. In this work, we present ST-GRIT, a spatio-temporal graph transformer for ice layer thickness, designed to process these radargrams and capture the spatiotemporal relationships between shallow and deep ice layers. ST-GRIT leverages an inductive geometric graph learning framework to extract local spatial features as feature embeddings and employs a series of temporal and spatial attention blocks separately to model long-range dependencies effectively in both dimensions. Experimental evaluation on radargram data from the Greenland ice sheet demonstrates that ST-GRIT consistently outperforms current state-of-the-art methods and other baseline graph neural networks by achieving lower root mean-squared error. These results highlight the advantages of self-attention mechanisms on graphs over pure graph neural networks, including the ability to handle noise, avoid oversmoothing, and capture long-range dependencies. Moreover, the use of separate spatial and temporal attention blocks allows for distinct and robust learning of spatial relationships and temporal patterns, providing a more comprehensive and effective approach.
• Abstract（参考訳）: レーダ画像における内部氷層の厚さと変動性を理解することは、積雪の蓄積を監視し、氷のダイナミクスを評価し、気候モデルにおける不確実性を減らすために重要である。 氷を貫くことができるレーダーセンサーは、これらの内部層の詳細なレーダグラム画像を提供する。 本研究では,これらのレーダグラムを処理し,浅氷層と深氷層の時空間関係を捉えるために,氷層厚の時空間グラフ変換器ST-GRITを提案する。 ST-GRITは、帰納的幾何学グラフ学習フレームワークを利用して、特徴埋め込みとして局所空間特徴を抽出し、時間的および空間的注意ブロックを分離して、両方の次元において効果的に長距離依存をモデル化する。 グリーンランド氷床のレーダグラムデータの実験的評価により、ST-GRITは根平均二乗誤差を低くすることで、最先端の手法や他のベースライングラフニューラルネットワークよりも一貫して優れていることが示された。 これらの結果は、ノイズの処理、過度なスムーシングの回避、長距離依存関係のキャプチャなど、純粋なグラフニューラルネットワークよりもグラフ上での自己アテンションメカニズムの利点を強調している。 さらに、異なる空間的および時間的注意ブロックを使用することで、空間的関係と時間的パターンの明瞭で堅牢な学習を可能にし、より包括的で効果的なアプローチを提供する。

関連論文リスト

• GRIT: Graph Transformer For Internal Ice Layer Thickness Prediction [0.7673339435080445]
  氷を貫くことができるレーダーセンサーは、内部の氷層の詳細なレーダグラム画像をキャプチャする。 GRITは、浅い氷層と深い氷層の関係をマッピングするための注意機構を備えた誘導幾何学グラフ学習フレームワークを統合している。
  論文  参考訳（メタデータ） (2025-07-10T02:59:21Z)
• AI-ready Snow Radar Echogram Dataset (SRED) for climate change monitoring [0.32985979395737786]
  本研究は2012年に収集されたSnow Radar Airborne Dataから得られた最初の包括的レーダエコーグラムデータセットを紹介する。 その有用性を示すために,データセット上での5つのディープラーニングモデルの性能を評価した。
  論文  参考訳（メタデータ） (2025-05-01T18:29:36Z)
• 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)
• Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction [0.7673339435080445]
  学習にはGraphSSフレームワークと時間的変化を捉えるための時間的畳み込み操作を用いたマルチブランチ・テンポラルグラフニューラルネットワークを開発した。 提案したマルチブランチネットワークは、現在の融合時間グラフニューラルネットワークを精度と効率の両方で一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T16:59:51Z)
• Learning Spatio-Temporal Patterns of Polar Ice Layers With Physics-Informed Graph Neural Network [0.7673339435080445]
  本稿では,グラフ特徴学習のためのGraphSAGEフレームワークと,時間変化学習のためのLSTM構造を組み合わせた物理インフォーム型ハイブリッドグラフニューラルネットワークを提案する。 我々のネットワークは、深い氷層厚を予測する際に、現在の非誘導的または非物理的モデルよりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-21T16:41:02Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• 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)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。