Dados espaço-temporais o gerenciamento envolve a análise de informações coletadas ao longo do tempo e do espaço, geralmente por meio de sensores. Esses dados são importantes para descoberta e previsão de padrões. No entanto, valores ausentes representam um problema e dificultam a análise. Tais lacunas podem muitas vezes criar inconsistências no conjunto de dados, resultando em análises difíceis. As relações entre características, tais como características naturais ou físicas, podem ser complexas e influenciadas pelo contexto local. Capturar com precisão estas relações é importante, mas continua a ser um desafio devido à inter-relação de vários factores e às limitações dos métodos existentes, que lutam para abordar estas questões de forma eficaz.
Os métodos atuais para lidar com valores ausentes em dados espaciais temporais também dependem de gráficos espaciais constantes redes neurais gráficas (GNNs) para capturar dependências locais. Esses métodos assumem que as relações espaciais entre os recursos são as mesmas em locais diferentes. Esses métodos não consideram que as características registradas pelos sensores muitas vezes possuem relações diferentes relacionadas às suas diferentes localizações e condições. Portanto, esses métodos não tratam adequadamente e não representam as complexas relações espaciais de diversas características, levando a estimativas incorretas sobre problemas que carecem de informações e à integração de correlações temporais e espaciais detalhadas.
Para enfrentar os desafios da aplicação espaço-temporal, pesquisadores de Universidade Nankai de novo Instituto de Tecnologia Harbin, Shenzhen, China, propôs muitas medidas Estrutura de aprendizagem de estrutura gráfica (GSLI). Esta estrutura se adapta à correlação espacial combinando dois métodos: aprendizagem em escala de nó de novo leitura de escala. A aprendizagem em escala de nós concentra-se na dependência espacial de características individuais, enquanto a aprendizagem em escala revela as relações espaciais entre características dentro de uma área. Ao contrário dos métodos tradicionais que dependem de estruturas estáticas, esta estrutura visa a diversidade e integra relações espaciais e temporais.
A estrutura usada gráficos verticais representando dados espaciais e marcadores temporais de informações baseadas no tempo, com dados faltantes sendo mascarados. O aprendizado em escala de nós melhora a incorporação usando metanós para destacar nós influentes, criando metagráficos de dependências de recursos espaciais. O aprendizado em escala produz metagráficos que capturam as relações espaciais entre recursos em nós. Este projeto tenta capturar a dependência transversal e temporal, mas às custas da complexidade computacional.
Os pesquisadores testaram a eficácia do GSLI usando o Processador Intel Xeon Silver 4314 de novo GPU NVIDIA RTX 4090 para seis dados espaço-temporais do mundo real com valores ausentes. Matrizes adjacentes são construídas quando não fornecidas, e os valores ausentes que não possuem uma verdade básica são omitidos. A precisão da fundição foi testada usando O REMSE de novo MAE métricas sob várias medidas inexistentes, incluindo MCAR, MARde novo MNAR. O GSLI superou os métodos de última geração em todos os conjuntos de dados, capturando com sucesso a dependência espacial das estruturas gráficas. Sua capacidade de mostrar dependência temporal e fator inverso permite alta flexibilidade em diferentes situações, com resultados de medição cinco testes mostrando precisão consistente mesmo com valores ou médias ausentes crescentes.
Em conclusão, a estrutura proposta melhora o forçamento espacial e temporal, abordando o fator de diversidade e usando o aprendizado de estrutura gráfica multidimensional para melhorar a precisão. Portanto, este trabalho mostrou, em todos os seis conjuntos de dados do mundo real, que tem um desempenho melhor do que a maioria dos métodos baseados em um gráfico espacial estacionário e robusto. Essa estrutura pode servir de base para pesquisas futuras, incentivando desenvolvimentos que reduzam a complexidade computacional, lidem com grandes conjuntos de dados e permitam o rastreamento em tempo real em sistemas dinâmicos.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Não se esqueça de participar do nosso SubReddit de 60k + ML.
🚨 PRÓXIMO WEBINAR GRATUITO DE IA (15 DE JANEIRO DE 2025): Aumente a precisão do LLM com dados artificiais e inteligência experimental–Participe deste webinar para obter insights práticos sobre como melhorar o desempenho e a precisão do modelo LLM e, ao mesmo tempo, proteger a privacidade dos dados.
Divyesh é estagiário de consultoria na Marktechpost. Ele está cursando BTech em Engenharia Agrícola e Alimentar pelo Instituto Indiano de Tecnologia, Kharagpur. Ele é um entusiasta de Ciência de Dados e Aprendizado de Máquina que deseja integrar essas tecnologias avançadas no domínio agrícola e resolver desafios.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
