論文の概要: SpatioTemporal Causal Network Diagnostics for Geographic Tipping Point Early Warning
- arxiv url: http://arxiv.org/abs/2606.17553v1
- Date: Tue, 16 Jun 2026 05:57:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.298453
- Title: SpatioTemporal Causal Network Diagnostics for Geographic Tipping Point Early Warning
- Title（参考訳）: 地理的チッピング点早期警戒のための時空間因果ネットワーク診断
- Authors: Zhaoyuan Yu, Zhangyong Liang,
- Abstract要約: 生態系、気候サブシステム、氷床における地理的な転換点は、早期警戒の局所化に重大な課題をもたらす。
本稿では,地理的フィールドを時間進化型因果ネットワークとして表現することで,これら3つの問題に対処するフレームワークであるSpatioTemporal Causal Network Diagnostics(ST-CND)を紹介する。
- 参考スコア（独自算出の注目度）: 0.5573913765642434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geographic tipping points in ecosystems, climate subsystems, or ice sheets pose severe challenges for localized early warning. Classical spatial indicators such as Moran's I summarize global spatial structure, but they struggle with three issues: spatial dilution, Euclidean assumptions, and correlated noise. This paper introduces SpatioTemporal Causal Network Diagnostics (ST-CND), a framework that addresses these three issues by representing the geographic field as a time-evolving directed causal network. The core workflow is as follows: (1) infer which spatial nodes help predict other nodes via transfer entropy, replacing fixed Euclidean neighborhoods with data-driven information-flow topology; (2) estimate local recovery rates within each candidate subnetwork via dynamic mode decomposition; and (3) identify the most vulnerable subnetwork by combining three signals, namely high internal fluctuation, high internal synchronization, and low external coupling, thereby suppressing false alarms from spatially correlated noise. Validated on synthetic bifurcations and two observational sea-surface temperature benchmarks, namely Indo-Pacific SST and North Atlantic AMOC, ST-CND delivers localized and interpretable warnings. On the AMOC task, it achieves an AUROC of 0.783 and a critical-subnetwork IoU of 0.378, outperforming recurrence-network and lambda-AR1 baselines. The framework provides an interpretable and scalable pipeline for spatial early warning in Earth system science.
- Abstract（参考訳）: 生態系、気候サブシステム、氷床における地理的な転換点は、早期警戒の局所化に重大な課題をもたらす。
モランのIのような古典的な空間指標は、グローバルな空間構造を要約するが、それらは空間的希釈、ユークリッドの仮定、相関ノイズの3つの問題に苦慮している。
本稿では,地理的フィールドを時間進化型因果ネットワークとして表現することで,これら3つの問題に対処するフレームワークであるSpatioTemporal Causal Network Diagnostics(ST-CND)を紹介する。
中心となるワークフローは,(1) 空間ノードが転送エントロピーによって他のノードを予測し,固定ユークリッド近傍をデータ駆動型情報フロートポロジーに置き換え,(2) 動的モード分解による各サブネットワーク内の局所回復率を推定し,(3) 内部変動,高内部同期,低外部結合という3つの信号を組み合わせて最も脆弱なサブネットワークを同定し,空間相関ノイズからの誤報を抑制する。
合成分岐と、インド太平洋SSTと北大西洋AMOCの2つの海面温度ベンチマークで検証されたST-CNDは、局所的で解釈可能な警告を提供する。
AMOCタスクでは、AUROC 0.783、Critical-subnetwork IoU 0.378を達成する。
このフレームワークは、地球系科学における空間的早期警戒のための解釈可能でスケーラブルなパイプラインを提供する。
関連論文リスト
- Explainable Flood Segmentation on Sentinel-1 SAR Imagery: A Comparative Study of CNN and Transformer Architectures [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とマルチクラス洪水セグメンテーションのための視覚トランスフォーマーアーキテクチャを包括的に比較する。
3つの最先端(SOTA)CNNベースのモデル、U-Net、U-Net++、DeepLabV3、ResNet-34のバックボーン、および3つのSegFormer変種(b0,b1,b2)を評価した。
結果は、SegFormer-b2がETCIデータセットのU-Netベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2026-06-15T07:06:30Z) - Spatio-Temporal Graphs Beyond Grids: Benchmark for Maritime Anomaly Detection [14.841789798257055]
海上領域における異常検出のための新しいベンチマークデータセットを提案する。
我々のデータセットは,ノードレベル,エッジレベル,グラフレベルという3つの異なる粒度の体系的評価を可能にする。
論文 参考訳（メタデータ） (2025-12-23T06:28:12Z) - HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。
局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。
既存の手法の精度、F1スコア、精度を著しく上回っている。
論文 参考訳（メタデータ） (2025-11-06T16:15:19Z) - PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。
本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。
これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。
Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
論文 参考訳（メタデータ） (2025-09-29T14:36:45Z) - An Explainable Deep Neural Network with Frequency-Aware Channel and Spatial Refinement for Flood Prediction in Sustainable Cities [5.100600023634809]
XFloodNetは、高度なディープラーニング技術によって都市洪水分類を再定義する新しいフレームワークである。
XFloodNetは93.33%、82.24%、88.60%という最先端のF1スコアを達成し、既存の手法をかなり上回っている。
論文 参考訳（メタデータ） (2025-09-07T19:39:28Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2023-06-15T14:50:27Z) - ARISE: Graph Anomaly Detection on Attributed Networks via Substructure
Awareness [70.60721571429784]
サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。
ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。
実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2022-11-28T12:17:40Z) - Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。
特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。
複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
論文 参考訳（メタデータ） (2021-10-08T11:19:06Z) - Interpretable Signed Link Prediction with Signed Infomax Hyperbolic
Graph [54.03786611989613]
ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている
我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。
高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
論文 参考訳（メタデータ） (2020-11-25T05:09:03Z)
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。