論文の概要: Improving Greenland Bed Topography Mapping with Uncertainty-Aware Graph Learning on Sparse Radar Data

• arxiv url: http://arxiv.org/abs/2509.08571v1
• Date: Wed, 10 Sep 2025 13:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.429837
• Title: Improving Greenland Bed Topography Mapping with Uncertainty-Aware Graph Learning on Sparse Radar Data
• Title（参考訳）: スパースレーダデータを用いた不確かさ認識グラフ学習によるグリーンランド層地形マッピングの改善
• Authors: Bayu Adhi Tama, Homayra Alam, Mostafa Cham, Omar Faruque, Jianwu Wang, Vandana Janeja,
• Abstract要約: GraphTopoNetは、モンテカルロのドロップアウトを通じて不均一な監視と不確実性を融合するグラフ学習フレームワークである。 GraphTopoNetは、微細な氷河特性を維持しながら、エラーを最大60%削減できることを示す。
• 参考スコア（独自算出の注目度）: 1.7188640665228618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate maps of Greenland's subglacial bed are essential for sea-level projections, but radar observations are sparse and uneven. We introduce GraphTopoNet, a graph-learning framework that fuses heterogeneous supervision and explicitly models uncertainty via Monte Carlo dropout. Spatial graphs built from surface observables (elevation, velocity, mass balance) are augmented with gradient features and polynomial trends to capture both local variability and broad structure. To handle data gaps, we employ a hybrid loss that combines confidence-weighted radar supervision with dynamically balanced regularization. Applied to three Greenland subregions, GraphTopoNet outperforms interpolation, convolutional, and graph-based baselines, reducing error by up to 60 percent while preserving fine-scale glacial features. The resulting bed maps improve reliability for operational modeling, supporting agencies engaged in climate forecasting and policy. More broadly, GraphTopoNet shows how graph machine learning can convert sparse, uncertain geophysical observations into actionable knowledge at continental scale.
• Abstract（参考訳）: グリーンランドの氷床の正確な地図は海面投射に欠かせないが、レーダー観測は希少で不均一である。 GraphTopoNetは、不均一な監視を融合し、モンテカルロのドロップアウトを通じて不確実性を明示的にモデル化するグラフ学習フレームワークである。 表面可観測物(標高、速度、質量バランス)から構築された空間グラフは、局所的な変動性と広い構造の両方を捉えるための勾配特徴と多項式の傾向によって拡張される。 データギャップに対処するために、信頼度重み付けされたレーダー監視と動的バランスの取れた正規化を組み合わせたハイブリッド損失を用いる。 グリーンランドの3つのサブリージョンに適用すると、GraphTopoNetは補間、畳み込み、グラフベースのベースラインを上回り、微細な氷河特性を維持しながらエラーを最大60%削減する。 結果として得られたベッドマップは、運用モデリングの信頼性を改善し、気候予報と政策に従事している機関を支援している。 より広い範囲で、GraphTopoNetは、グラフ機械学習が粗野で不確実な物理観測を大陸規模で実行可能な知識に変換する方法を示している。

関連論文リスト

• ST-GRIT: Spatio-Temporal Graph Transformer For Internal Ice Layer Thickness Prediction [0.7673339435080445]
  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。
  論文  参考訳（メタデータ） (2025-07-10T03:06:01Z)
• WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling [43.23012871829196]
  グラフウェーブレットの特徴に基づいてノード固有の温度を割り当てるポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。 WATSはグラフウェーブレットのスケーラビリティとトポロジ的感度を利用して信頼性の推定を洗練させる。
  論文  参考訳（メタデータ） (2025-06-30T12:23:57Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• DeepTopoNet: A Framework for Subglacial Topography Estimation on the Greenland Ice Sheets [7.90213840103807]
  本研究では,レーダーによる氷厚観測とBedMachine Greenlandデータを統合するディープラーニングフレームワークを提案する。 提案した損失関数は、レーダーとBedMachineデータの重み付けを適応的に調整し、レーダーカバレッジに制限のある領域で堅牢性を確保する。 Upernavik Isstrom領域で系統的にテストすることにより、このモデルは、亜氷河の地形を再構築する上で、高精度で優れたベースライン法を実現することができる。
  論文  参考訳（メタデータ） (2025-05-29T20:12:27Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
  グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。 本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。 この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
  論文  参考訳（メタデータ） (2025-02-20T02:01:40Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)

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。