GTrans:極端な事象を現すためのグラフ埋込みによる時空間自己回帰変圧器【JST・京大機械翻訳】

Feng Bo; Fox Geoffrey

プレプリント

J-GLOBAL ID：202202220241455852 整理番号：22P0275877

GTrans:極端な事象を現すためのグラフ埋込みによる時空間自己回帰変圧器【JST・京大機械翻訳】

GTrans: Spatiotemporal Autoregressive Transformer with Graph Embeddings for Nowcasting Extreme Events

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月17日プレプリントサーバーでの情報更新日： 2022年01月17日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

時空間時系列は,歴史からの共分散関係に関するモデルから新しいシーケンスを生成する意味で,時間的および空間的ダイナミックスを保存すべきである。従来の特徴抽出器は,深い畳込みニューラルネットワーク(CNN)で構築される。しかしながら,CNNモデルは,データが高次元アレイで形成できる画像様アプリケーションに限界がある。対照的に,データ特徴がグラフのノードとエッジで組織化できる,ソーシャルネットワーク,道路交通,物理学,および化学特性予測における応用である。変圧器アーキテクチャは,注意機構設計による高精度と効率をもたらす予測モデルのための新たな方法である。本論文では,データ特徴をグラフ埋込みに変換し,変圧器モデルで時間ダイナミクスを予測する,時空間モデル,すなわちGTransを提案した。著者らの実験に従って,GTransが空間および時間ダイナミックスをモデル化でき,データセットに対して極端な事象をキャストできることを示した。さらに,全ての実験において,GTransはベースラインモデルよりもバイナリクラス予測試験で最も高いF1とF2スコアを達成できる。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

ニューロコンピュータ , 図形・画像処理一般 , パターン認識 , 人工知能

, , , ,

前のページに戻る