文献

J-GLOBAL ID：202102228651067213   整理番号：21A1195371

CostNet:予測学習のための簡潔なオーバパス時空間ネットワーク【JST・京大機械翻訳】

CostNet: A Concise Overpass Spatiotemporal Network for Predictive Learning

著者 (6件)： Sun Fengzhen (Future GIS Laboratory, SuperMap Software Co., Ltd., Beijing 100015, China) ,  Li Shaojie (Future GIS Laboratory, SuperMap Software Co., Ltd., Beijing 100015, China) ,  Li Shaojie (School of Software and Microelectronics, Peking University, Beijing 102600, China) ,  Wang Shaohua (Institute of Geographic Sciences and Natural Resources Research, China Academy of Science, Beijing 100101, China) ,  Liu Qingjun (360 Security Technology Inc., Beijing 100015, China) ,  Zhou Lixin (School of Software and Microelectronics, Peking University, Beijing 102600, China)
資料名： ISPRS International Journal of Geo-Information (Web)  (ISPRS International Journal of Geo-Information (Web))
巻： 9  号： 4  ページ： 209  発行年： 2020年 
JST資料番号： U7212A  ISSN： 2220-9964  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 以前の時空間データからの未来の予測は,挑戦的な話題である。予測学習に関する多くの先行研究がある。しかし,主流モデルは巨大なメモリ利用または勾配消失問題を受ける。再ネットからのアイデアによって強調して,著者らは,水平および垂直交差接続を有する新規再帰的ニューラルネットワーク(RNN)ベースのネットワークであるコストNetを提案した。このネットワークのコアは簡潔なユニットであり,高速勾配伝送チャネルを持つHorizon LSTMと命名し,勾配伝搬の困難さを軽減するために空間と時間表現を効果的に抽出できる。ユニット外の垂直方向では,ユニット出力から底層へのオーバーパス接続を追加し,正確な予測を生成するために短期動力学を捉えることができる。著者らのモデルは,最先端のモデルよりも移動-mnistとレーダデータセットでより良い予測結果を達成した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  レーダ ,  *学習 ,  *ネットワーク ,  ニューラルネットワーク ,  符号器 ,  チャネル ,  直交性 ,  計算機アーキテクチャ ,  底層
準シソーラス用語： 時空間データ , 【Automatic Indexing@JST】

著者キーワード (5件)： 時空間ネットワーク ,  予測学習 ,  水平LSTM ,  垂直構造 ,  エンコーダ復号器アーキテクチャ

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

引用文献 (47件)：

• Wang, M.; Zhang, X.; Niu, X.; Wang, F.; Zhang, X. Scene classification of high-resolution remotely sensed image based on resnet. J. Geov. Spatial Anal. 2019, 3, 16.
• Wang, S.; Zhong, Y.; Wang, E. An integrated GIS platform architecture for spatiotemporal big data. Future Gener. Comput. Syst. 2019, 94, 160-172.
• Liu, K.; Gao, S.; Qiu, P.; Liu, X.; Yan, B.; Lu, F. Road2vec: Measuring traffic interactions in urban road system from massive travel routes. ISPRS Int. J. Geo Inf. 2017, 6, 321.
• Liu, Y.; Cao, G.; Zhao, N. Integrate machine learning and geostatistics for high-resolution mapping of ground-level pm2. 5 concentrations. In Spatiotemporal Analysis of Air Pollution and Its Application in Public Health; Elsevier: Amsterdam, The Netherlands, 2020; pp. 135-151.
• Li, H.; Liu, J.; Zhou, X. Intelligent map reader: A framework for topographic map understanding with deep learning and gazetteer. IEEE Access 2018, 6, 25363-25376.

タイトルに関連する用語 (3件)： 予測 ,  学習 ,  時空間