論文の概要: Imputing Missing Near-Surface Air Temperature using Graph Attention Networks with Distance-Aware Edge Features
- arxiv url: http://arxiv.org/abs/2611.15598v1
- Date: Wed, 11 Nov 2026 15:16:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.17989
- Title: Imputing Missing Near-Surface Air Temperature using Graph Attention Networks with Distance-Aware Edge Features
- Title(参考訳): 距離認識エッジ特徴を有するグラフ注意ネットワークによる表面近傍の温度低下
- Abstract要約: 不完全な観測から表面近傍の気温場を再構成するグラフアテンションネットワークを導入する。
これは特に、19世紀半ばまでさかのぼるが、未完成のままである歴史的温度記録に関係している。
我々は, CMIP6 CESM2履歴シミュレーションを用いて, 1850年から2014年までのHadCRUT5観測範囲の時間変化を隠蔽したモデルを構築した。
グラフモデルは最低空間RMSE(0.997K)を達成し、LaMaよりも10.1%低く、クリグやGraphEMより約31%低い。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a graph attention network for reconstructing near-surface air temperature fields from incomplete observations. The model represents each grid cell as a node connected to its $k$ nearest neighbors, with attention weights that depend on node features, distance, and land-ocean transitions. This graph representation avoids the polar distortions associated with treating the globe as a flat latitude-longitude image, as most deep learning reconstruction methods do. This is particularly relevant for historical temperature records, which extend back to the mid-nineteenth century but remain incomplete, with the largest gaps early in the record and at high latitudes. We train our model on CMIP6 CESM2 historical simulations masked with the time-varying HadCRUT5 observational coverage from 1850 to 2014. We then compare our approach with ordinary kriging, GraphEM, and the LaMa inpainting network on a held-out realization. The graph model achieves the lowest spatial RMSE (0.997 K), 10.1% lower than LaMa and approximately 31% lower than kriging and GraphEM. The largest gains occur in the Arctic and Antarctic, while LaMa remains slightly more accurate in the densely observed tropics. The graph model's error also falls faster as coverage increases, so its advantage over LaMa grows by more than a third from the 1850s to the 2000s. An ablation study shows that the model's skill comes mainly from the geometric graph construction rather than from auxiliary physical covariates.
- Abstract(参考訳): 不完全な観測から表面近傍の気温場を再構成するグラフアテンションネットワークを導入する。
モデルは、各グリッドセルを、近隣の$k$と接続されたノードとして表現し、ノードの特徴、距離、陸域の遷移に依存する注意重みを持つ。
このグラフ表現は、多くの深層学習再構成法のように、地球を平坦な緯度画像として扱う際の極歪みを避ける。
これは特に、19世紀半ばまでさかのぼるが、未完成のままであり、記録の初期と高緯度で最大のギャップがある歴史的温度記録に関係している。
我々は, CMIP6 CESM2履歴シミュレーションを用いて, 1850年から2014年までのHadCRUT5観測範囲の時間変化を隠蔽したモデルを構築した。
次に,本手法を通常のクリグ,グラフEM,ラマ塗布ネットワークと比較する。
グラフモデルは最低空間RMSE(0.997K)を達成し、LaMaよりも10.1%低く、クリグやGraphEMより約31%低い。
北極と南極で最大の上昇が見られ、ラマは高密度に観測された熱帯地域ではわずかに正確である。
グラフモデルのエラーもカバレッジが増加するにつれて速くなるため、1850年代から2000年代にかけて、LaMaに対する優位性は3分の1以上増大する。
アブレーション研究では、モデルのスキルは主に、補助的な物理的共変量ではなく、幾何学的なグラフ構造から来ていることが示されている。
関連論文リスト
- Reconstructing GRACE Terrestrial Water Storage with Spatio-Temporal Graph Neural Networks: An Application to South America [0.0]
1940年までの毎月のGRACEライクなTWS異常を再構築する深層学習アプリケーションを提案する。
グリッドセル相関は0.69、流域平均相関は0.94、ほぼゼロとなる。
2015/16年のエル・ニオと2020/21年のラ・ニアの出来事の指紋を再現する。
論文 参考訳(メタデータ) (2026-06-22T18:15:58Z) - GRIT-LP: Graph Transformer with Long-Range Skip Connection and Partitioned Spatial Graphs for Accurate Ice Layer Thickness Prediction [1.6114012813668932]
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。
論文 参考訳(メタデータ) (2025-11-24T03:14:55Z) - Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
グラフ学習におけるノードのOOD検出は未探索のままである。
GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。
本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
論文 参考訳(メタデータ) (2025-02-25T07:20:00Z) - Spatially Regularized Graph Attention Autoencoder Framework for Detecting Rainfall Extremes [2.273531916003657]
1990年から2015年までのインドにおける降雨データにおけるスケーラブルな異常検出の課題に対処するために,空間正規化を備えたグラフ注意自動符号化(GAE)を導入している。
我々の研究は、気候科学における高度な時間的異常検出手法の道のりを開拓し、より良い気候準備と応答戦略に寄与する。
論文 参考訳(メタデータ) (2024-11-12T12:24:48Z) - 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) - Prediction of Annual Snow Accumulation Using a Recurrent Graph
Convolutional Approach [0.38073142980732994]
近年、スノーレーダーのような空中レーダーセンサーは、垂直解像度の細かい大きな領域で内部の氷層を計測できることが示されている。
本研究では,グラフアテンションネットワークに基づくモデルを用いて,より大規模なデータセット上での入力データポイントの少ない年次積雪データポイントの予測を行った。
論文 参考訳(メタデータ) (2023-06-22T19:48:34Z) - Contrastive Graph Clustering in Curvature Spaces [74.03252813800334]
本研究では,CONGREGATE という新しいグラフクラスタリングモデルを提案する。
幾何学的クラスタリングを支援するため、理論的に基底とした不均一曲率空間を構築した。
次に、拡張不要な再重み付きコントラスト的アプローチでグラフクラスタをトレーニングする。
論文 参考訳(メタデータ) (2023-05-05T14:04:52Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-25T08:45:14Z) - Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth
Mover's Distance [63.203951161394265]
現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。
本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。
いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
論文 参考訳(メタデータ) (2021-07-26T17:19:02Z) - 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。