論文の概要: Improving the Computational Efficiency and Explainability of GeoAggregator

• arxiv url: http://arxiv.org/abs/2507.17977v1
• Date: Wed, 23 Jul 2025 22:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.646303
• Title: Improving the Computational Efficiency and Explainability of GeoAggregator
• Title（参考訳）: ジオアグリゲータの計算効率と説明可能性の改善
• Authors: Rui Deng, Ziqi Li, Mingshu Wang,
• Abstract要約: 近年,この目的のためにGeoAggregator(GA)と呼ばれるトランスフォーマーに基づく新しいディープラーニングモデルが提案されている。 1)データローディングを高速化し,GAの前方通過を合理化し,計算効率を向上する最適化パイプラインを開発することにより,GAをさらに改善する。 改良されたGAモデルを合成データセットに適用することにより,提案手法の機能と効率を検証した。
• 参考スコア（独自算出の注目度）: 5.40483645224129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling and explaining geospatial tabular data (GTD) are critical for understanding geospatial phenomena and their underlying processes. Recent work has proposed a novel transformer-based deep learning model named GeoAggregator (GA) for this purpose, and has demonstrated that it outperforms other statistical and machine learning approaches. In this short paper, we further improve GA by 1) developing an optimized pipeline that accelerates the dataloading process and streamlines the forward pass of GA to achieve better computational efficiency; and 2) incorporating a model ensembling strategy and a post-hoc model explanation function based on the GeoShapley framework to enhance model explainability. We validate the functionality and efficiency of the proposed strategies by applying the improved GA model to synthetic datasets. Experimental results show that our implementation improves the prediction accuracy and inference speed of GA compared to the original implementation. Moreover, explanation experiments indicate that GA can effectively captures the inherent spatial effects in the designed synthetic dataset. The complete pipeline has been made publicly available for community use (https://github.com/ruid7181/GA-sklearn).
• Abstract（参考訳）: 地理空間表データ(GTD)の正確なモデリングと説明は、地理空間現象とその基盤となるプロセスを理解する上で重要である。 近年,GeoAggregator(GA)と呼ばれるトランスフォーマーに基づく新しいディープラーニングモデルが提案されている。 本稿では,GAをさらに改善する。 1)データローディングプロセスの高速化とGAの前方通過の合理化を図り、計算効率の向上を図る最適化パイプラインの開発。 2)GeoShapleyフレームワークに基づくモデルアンサンブル戦略とポストホックモデル説明関数を導入し,モデル説明可能性を高める。 改良されたGAモデルを合成データセットに適用することにより,提案手法の機能と効率を検証した。 実験結果から,本実装はGAの予測精度と推定速度を元の実装と比較して改善することが示された。 さらに, GAは, 設計した合成データセットの空間効果を効果的に捉えることができることを示す。 完全なパイプラインがコミュニティで利用可能になった(https://github.com/ruid7181/GA-sklearn)。

関連論文リスト

• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• GeoAggregator: An Efficient Transformer Model for Geo-Spatial Tabular Data [5.40483645224129]
  本稿では地理空間データモデリングのための効率的かつ軽量なアルゴリズムGeoAggregatorを紹介する。 我々は、空間統計モデル、XGBoost、およびいくつかの最先端地理空間深層学習法と比較した。 その結果、GeoAggregatorsは、ほぼすべてのデータセットで競合相手と比較して、ベストまたはセカンドベストのパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-02-20T20:39:15Z)
• Reconsidering the Performance of GAE in Link Prediction [27.038895601935195]
  グラフオートエンコーダ(GAE)の可能性について検討する。 この結果から,より複雑なモデルの性能によく最適化されたGAEが一致し,計算効率が向上することがわかった。
  論文  参考訳（メタデータ） (2024-11-06T11:29:47Z)
• Gaussian Ensemble Belief Propagation for Efficient Inference in High-Dimensional Systems [3.6773638205393198]
  高次元モデルにおける効率的な推論は、機械学習における中心的な課題である。 本稿では,Gaussian Ensemble Belief Propagation (GEnBP)アルゴリズムを紹介する。 本稿では,GEnBPが既存の信念手法よりも精度と計算効率で優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-13T03:31:36Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• GWRBoost:A geographically weighted gradient boosting method for explainable quantification of spatially-varying relationships [11.025779617297946]
  本稿では,重み付き回帰モデルGWRBoostを提案する。 提案モデルでは,パラメータ推定精度が18.3%,AICcが67.3%,適合性が67.3%向上した。
  論文  参考訳（メタデータ） (2022-12-12T10:24:47Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。