論文の概要: Multi-modal Spatio-Temporal Transformer for High-resolution Land Subsidence Prediction

• arxiv url: http://arxiv.org/abs/2509.25393v2
• Date: Wed, 01 Oct 2025 11:00:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-02 14:33:21.825146
• Title: Multi-modal Spatio-Temporal Transformer for High-resolution Land Subsidence Prediction
• Title（参考訳）: 高分解能地盤沈降予測のためのマルチモーダル時変器
• Authors: Wendong Yao, Binhua Huang, Soumyabrata Dev,
• Abstract要約: 本研究では,動的変位データを静的な物理先行値と融合する新しいフレームワークを提案する。 公開EGMSデータセットでは、MM-STTが新しい最先端技術を確立し、長距離予測RMSEを桁違いに削減する。
• 参考スコア（独自算出の注目度）: 3.3295066998131637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting high-resolution land subsidence is a critical yet challenging task due to its complex, non-linear dynamics. While standard architectures like ConvLSTM often fail to model long-range dependencies, we argue that a more fundamental limitation of prior work lies in the uni-modal data paradigm. To address this, we propose the Multi-Modal Spatio-Temporal Transformer (MM-STT), a novel framework that fuses dynamic displacement data with static physical priors. Its core innovation is a joint spatio-temporal attention mechanism that processes all multi-modal features in a unified manner. On the public EGMS dataset, MM-STT establishes a new state-of-the-art, reducing the long-range forecast RMSE by an order of magnitude compared to all baselines, including SOTA methods like STGCN and STAEformer. Our results demonstrate that for this class of problems, an architecture's inherent capacity for deep multi-modal fusion is paramount for achieving transformative performance.
• Abstract（参考訳）: 高解像度の土地沈降を予測することは、その複雑で非線形なダイナミクスのために重要な課題であるが挑戦的な課題である。 ConvLSTMのような標準的なアーキテクチャは、長い範囲の依存関係をモデル化できないことが多いが、以前の作業のより基本的な制限は、ユニモーダルなデータパラダイムにある、と私たちは主張する。 そこで本稿では,動的変位データを静的な物理先行値と融合する新しいフレームワークであるMulti-Modal Spatio-Temporal Transformer (MM-STT)を提案する。 その中核となる革新は、全てのマルチモーダル特徴を統一的に処理する共同時空間的注意機構である。 公開EGMSデータセットでは、MM-STTが新しい最先端技術を確立し、STGCNやSTAEformerなどのSOTAメソッドを含むすべてのベースラインと比較して、長距離予測RMSEを桁違いに削減する。 以上の結果から, 深層マルチモーダル核融合におけるアーキテクチャ固有の能力は, 変換性能を実現する上で最重要であることが示唆された。

関連論文リスト

• A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
  地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。 本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。 その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-17T17:10:18Z)
• DMSC: Dynamic Multi-Scale Coordination Framework for Time Series Forecasting [14.176801586961286]
  時系列予測(TSF)は、さまざまなスケールにわたる複雑な時間的依存関係をモデル化する上で、永続的な課題に直面します。 マルチスケールパッチ分解ブロック(EMPD)、トライアドインタラクションブロック(TIB)、適応スケールルーティングMoEブロック(ASR-MoE)を備えた新しい動的マルチスケールコーディネーションフレームワーク(DMSC)を提案する。 EMPDは、指数関数的にスケールした粒度を持つ階層的なパッチにシーケンスを動的に分割する組み込みコンポーネントとして設計されている。 TIBは、各レイヤの分解された表現の中で、パッチ内、パッチ間、およびクロス変数の依存関係を共同でモデル化する。
  論文  参考訳（メタデータ） (2025-08-03T13:11:52Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning [2.368662284133926]
  提案したハイブリッドアーキテクチャは、ドメイン固有の知識とMSSデータに基づく関係構造の暗黙的な知識を組み合わせることで制限に対処する。 このアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• Multi-Modality Spatio-Temporal Forecasting via Self-Supervised Learning [11.19088022423885]
  そこで本稿では,MoSSL を利用した新しい学習フレームワークを提案する。 2つの実世界のMOSTデータセットの結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
  論文  参考訳（メタデータ） (2024-05-06T08:24:06Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。