Multi-branch Spatio-Temporal Graph Neural Network For Efficient Ice Layer Thickness Prediction

要約

極地の氷層の時空間パターンを理解することは、氷床のバランスの変化を追跡し、氷のダイナミクスを評価するために不可欠です。
畳み込みニューラル ネットワークは、航空雪上レーダー センサーで捕捉された生のエコーグラム画像から氷層のパターンを学習する際に広く使用されていますが、エコーグラム画像内のノイズにより研究者は高品質の結果を得ることができません。
その代わりに、私たちはグラフ ニューラル ネットワークを使用した幾何学的な深層学習に焦点を当て、最上部の氷層の厚さの情報から学習し、より深い層を予測する時空間グラフ ニューラル ネットワークの構築を目指しています。
この論文では、空間特徴の学習と時間的変化を捉えるための時間畳み込み演算に GraphSAGE フレームワークを使用する、新しいマルチブランチ時空間グラフ ニューラル ネットワークを開発しました。これにより、ネットワークのさまざまなブランチをより専門化し、
単一の学習タスク。
私たちが提案したマルチブランチ ネットワークは、精度と効率の両方において、現在の融合時空間グラフ ニューラル ネットワークよりも一貫して優れていることがわかりました。

要約(オリジナル)

Understanding spatio-temporal patterns in polar ice layers is essential for tracking changes in ice sheet balance and assessing ice dynamics. While convolutional neural networks are widely used in learning ice layer patterns from raw echogram images captured by airborne snow radar sensors, noise in the echogram images prevents researchers from getting high-quality results. Instead, we focus on geometric deep learning using graph neural networks, aiming to build a spatio-temporal graph neural network that learns from thickness information of the top ice layers and predicts for deeper layers. In this paper, we developed a novel multi-branch spatio-temporal graph neural network that used the GraphSAGE framework for spatio features learning and a temporal convolution operation to capture temporal changes, enabling different branches of the network to be more specialized and focusing on a single learning task. We found that our proposed multi-branch network can consistently outperform the current fused spatio-temporal graph neural network in both accuracy and efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google