論文の概要: GRIT-LP: Graph Transformer with Long-Range Skip Connection and Partitioned Spatial Graphs for Accurate Ice Layer Thickness Prediction
- arxiv url: http://arxiv.org/abs/2511.18716v1
- Date: Mon, 24 Nov 2025 03:14:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-25 18:34:24.991364
- Title: GRIT-LP: Graph Transformer with Long-Range Skip Connection and Partitioned Spatial Graphs for Accurate Ice Layer Thickness Prediction
- Title（参考訳）: GRIT-LP: 高精度氷層厚さ予測のための長距離スキップ接続と分割空間グラフを用いたグラフ変換器
- Authors: Zesheng Liu, Maryam Rahnemoonfar,
- Abstract要約: 極性レーダから極性氷層厚推定のためのグラフ変換器GRIT-LPを導入する。
GRIT-LPは、帰納的幾何学グラフ学習フレームワークと自己認識機構を組み合わせたものである。
GRIT-LPは、平均2乗誤差を24.92%改善し、最先端の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 1.6114012813668932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph transformers have demonstrated remarkable capability on complex spatio-temporal tasks, yet their depth is often limited by oversmoothing and weak long-range dependency modeling. To address these challenges, we introduce GRIT-LP, a graph transformer explicitly designed for polar ice-layer thickness estimation from polar radar imagery. Accurately estimating ice layer thickness is critical for understanding snow accumulation, reconstructing past climate patterns and reducing uncertainties in projections of future ice sheet evolution and sea level rise. GRIT-LP combines an inductive geometric graph learning framework with self-attention mechanism, and introduces two major innovations that jointly address challenges in modeling the spatio-temporal patterns of ice layers: a partitioned spatial graph construction strategy that forms overlapping, fully connected local neighborhoods to preserve spatial coherence and suppress noise from irrelevant long-range links, and a long-range skip connection mechanism within the transformer that improves information flow and mitigates oversmoothing in deeper attention layers. We conducted extensive experiments, demonstrating that GRIT-LP outperforms current state-of-the-art methods with a 24.92\% improvement in root mean squared error. These results highlight the effectiveness of graph transformers in modeling spatiotemporal patterns by capturing both localized structural features and long-range dependencies across internal ice layers, and demonstrate their potential to advance data-driven understanding of cryospheric processes.
- Abstract（参考訳）: グラフ変換器は複雑な時空間タスクにおいて顕著な能力を示してきたが、その深さは過度な平滑化と弱い長距離依存性モデリングによって制限されることが多い。
これらの課題に対処するために,極性レーダ画像からの極性氷層厚推定のためのグラフ変換器GRIT-LPを導入する。
氷層厚の正確な推定は、積雪の蓄積を理解し、過去の気候パターンを再構築し、将来の氷床の進化と海面上昇の予測の不確かさを減らすために重要である。
GRIT-LPは、帰納的幾何学グラフ学習フレームワークと自己注意機構を組み合わせるとともに、氷層の時空間パターンをモデル化する際の課題に共同で対処する2つの大きな革新を導入している。
GRIT-LP は根平均二乗誤差を 24.92 % 改善して最先端の手法より優れることを示した。
これらの結果は, 局所構造的特徴と内部氷層間の長距離依存性の両方を捉えることにより, 時空間パターンのモデル化におけるグラフトランスフォーマーの有効性を強調し, 低温過程におけるデータ駆動的理解を促進する可能性を実証した。
関連論文リスト
- Multi-Stage Graph Neural Networks for Data-Driven Prediction of Natural Convection in Enclosed Cavities [0.0]
グラフニューラルネットワーク(GNN)は、シミュレーションデータから直接熱流体挙動を学ぶための新しい代替手段を提供する。
本稿では,階層的なプールとアンプール操作を利用してグローバル-ローカル相互作用を段階的にモデル化する,新しい多段階GNNアーキテクチャを提案する。
実験により,提案モデルにより予測精度が向上し,訓練効率が向上し,長期誤差の蓄積が減少した。
論文 参考訳（メタデータ） (2025-09-07T13:05:39Z) - 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) - 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) - PIORF: Physics-Informed Ollivier-Ricci Flow for Long-Range Interactions in Mesh Graph Neural Networks [23.97389618896843]
本稿では,物理相関とグラフトポロジを結合した新しいリウィリング法であるPhysical-Informed Ollivier-Ricci Flow (PIORF)を提案する。
PIORFはベースラインモデルと既存のリワイア法を一貫して上回り、最大26.2の改善を実現している。
論文 参考訳（メタデータ） (2025-04-05T04:14:05Z) - Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。
グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。
本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
論文 参考訳（メタデータ） (2024-10-21T15:47:03Z) - SGFormer: Single-Layer Graph Transformers with Approximation-Free Linear Complexity [74.51827323742506]
グラフ上でのトランスフォーマーにおける多層アテンションの導入の必要性を評価する。
本研究では,一層伝播を一層伝播に還元できることを示す。
これは、グラフ上で強力で効率的なトランスフォーマーを構築するための新しい技術パスを示唆している。
論文 参考訳（メタデータ） (2024-09-13T17:37:34Z) - Graph Dual-stream Convolutional Attention Fusion for Precipitation Nowcasting [1.4610685586329806]
降水は今,グラフシーケンス問題として再検討する。
我々のモデルでは、空間的時間的相互作用に対して異なる注意機構を用いる。
融合モジュールは両方のストリームを統合し、空間情報と時間情報を利用して精度を向上させる。
論文 参考訳（メタデータ） (2024-01-15T20:54:20Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳（メタデータ） (2023-03-14T20:35:45Z) - 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) - Deoscillated Graph Collaborative Filtering [74.55967586618287]
協調フィルタリング(CF)信号は、ユーザとアイテムの埋め込みを学習するRecommender System(RS)モデルにとって不可欠である。
最近のグラフニューラルネットワーク(GNN)では、複数の集約層を積み重ねて高次信号の伝搬を提案する。
textbfDeoscillated textbfGraph textbfCollaborative textbfFiltering(DGCF)という新しいRSモデルを提案する。
論文 参考訳（メタデータ） (2020-11-04T02:26:53Z)
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。