論文の概要: Chronosphere: Space-Time Tessellation of Local Climate Experts
- arxiv url: http://arxiv.org/abs/2609.21872v1
- Date: Fri, 18 Sep 2026 15:00:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.157155
- Title: Chronosphere: Space-Time Tessellation of Local Climate Experts
- Title（参考訳）: Chronosphere: ローカル気候専門家の時空間テッセルレーション
- Abstract要約: クロノスフィア(Chronoosphere)は、気候表現を学習する神経分野である。
時空トーラス上の学習可能なサイトの適応的テッセルレーションをS2times S1$と局所基底関数の共有バンクと組み合わせる。
空間的タスクと時間的タスクにまたがって、最先端のロケーションエンコーダをマッチまたはリードする。
- 参考スコア（独自算出の注目度）: 18.539641224975743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Chronosphere, a spatio-temporal neural field that learns representations of climate. A central challenge in geographic representation learning is modeling environmental processes whose spatial and temporal complexity varies widely. Yet existing location encoders typically fix a single level of detail everywhere. Global bases such as spherical harmonics spread capacity uniformly across space and time. Localized bases resolve only predefined regions. Learned tessellations adapt, but are inefficient at representing higher frequencies. Chronosphere unifies these approaches, pairing an adaptive tessellation of learnable sites on the spacetime torus $S^2\times S^1$ with a shared bank of local basis functions. Both where capacity is placed and how much detail each region carries adapt to the data, across space and time. Trained to reconstruct climatology, Chronosphere matches or leads state-of-the-art location encoders across spatial and temporal tasks, with the largest gains under spatial and temporal transfer.
- Abstract（参考訳）: 気候の表現を学習する時空間神経場であるChronoosphereを紹介した。
地理的表現学習における中心的な課題は、空間的・時間的複雑さが広く変化する環境過程をモデル化することである。
しかし、既存のロケーションエンコーダは通常、どこでも単一のレベルの詳細を修正します。
球面調和のようなグローバルな基底は、空間と時間にわたって均一に容量を広げた。
局所化された基底は定義済みの領域のみを分解する。
学習されたテッセル化は適応するが、高い周波数を表現するには非効率である。
Chronosphere はこれらのアプローチを統一し、時空トーラス $S^2\times S^1$ 上の学習可能なサイトの適応的テッセルレーションを局所基底関数の共有バンクと組み合わせる。
キャパシティが配置される場所と、各リージョンがどれだけ詳細を持っているかは、空間と時間にまたがってデータに適応する。
気候学を再構築するために訓練されたクロノフェアは、空間的および時間的タスクにまたがって最先端の位置エンコーダをマッチまたは誘導する。
関連論文リスト
- Tessellating The Earth [16.078192224421084]
TTE (Tessellating the Earth) は、学習可能な球状ボロノイ分割から構築された位置エンコーダである。
TTEは、地理空間分類と回帰タスクのスイートにまたがって、ロケーションエンコーダの新たな状態を設定する。
論文 参考訳（メタデータ） (2026-06-25T19:58:13Z) - Scalable inference of spatial regions and temporal signatures from time series [0.0]
地域化は、空間領域を同様の特徴を持つ連続した領域に分割することを目的としている。
既存の空間的局所化のアプローチは、進化する時系列ではなく静的な空間的スナップショットに依存するのが一般的である。
本研究では,空間時系列の局所化のための効率的で完全に非線形なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-06T15:07:37Z) - SpaceVLLM: Endowing Multimodal Large Language Model with Spatio-Temporal Video Grounding Capability [58.46310813774538]
大規模言語モデル (LMLM) は時間的あるいは空間的局所化において顕著な進歩を遂げた。
しかし、彼らは時間的なビデオグラウンドの実行に苦慮している。
この制限は2つの大きな課題に起因している。
時間的ビデオグラウンドティングを具備したMLLMVLであるSpaceLMを紹介する。
論文 参考訳（メタデータ） (2025-03-18T07:40:36Z) - Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。
本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。
FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
論文 参考訳（メタデータ） (2023-05-23T16:59:20Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Deep Spatial Domain Generalization [8.102110157532556]
本研究では,空間データをグラフとして扱う空間グラフニューラルネットワークを開発し,各ノードに空間埋め込みを学習する。
提案手法は,テストフェーズ中に見つからない位置の空間埋め込みを推定し,下流タスクモデルのパラメータを目標位置に直接デコードする。
論文 参考訳（メタデータ） (2022-10-03T06:16:20Z) - A Novel Framework for Spatio-Temporal Prediction of Environmental Data
Using Deep Learning [0.0]
本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。
具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。
実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
論文 参考訳（メタデータ） (2020-07-23T07:44:04Z)
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。