[공지사항]을 빙자한 안부와 근황 
Show more

दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

पीडीई का उपयोग करके स्थानिक-कालिक ग्राफ़ पर मशीन लर्निंग के लिए सिंथेटिक डेटासेट

Created by
  • Haebom

लेखक

जोस्ट अरंड्ट, उटकु इसिल, माइकल डेट्ज़ेल, वोज्शिएक समेक, जैकी मा

रूपरेखा

यह शोधपत्र स्पेशियोटेम्पोरल ग्राफ मशीन लर्निंग मॉडलिंग अनुसंधान का समर्थन करने के लिए आंशिक अवकल समीकरणों (PDE) पर आधारित सिंथेटिक डेटासेट उत्पन्न करने और उनका उपयोग करने की एक विधि प्रस्तुत करता है। हम महामारी, वायुमंडलीय कण और सुनामी जैसी विभिन्न आपदाओं और खतरों की घटनाओं के मॉडल बनाने के लिए तीन PDE का उपयोग करके डेटासेट उत्पन्न करते हैं, और महामारी डेटासेट का उपयोग करके कई मशीन लर्निंग मॉडलों के प्रदर्शन का बेंचमार्क करते हैं। हम यह भी दर्शाते हैं कि सिंथेटिक डेटासेट के साथ पूर्व-प्रशिक्षण वास्तविक महामारी डेटा पर मॉडल के प्रदर्शन को बेहतर बनाता है। प्रस्तावित कार्यप्रणाली और तीन उत्पन्न डेटासेट के स्रोत कोड GitHub पर उपलब्ध हैं।

____T270_____, ____T271_____

Takeaways:
पी.डी.ई. पर आधारित स्थानिक-कालिक ग्राफ डेटासेट की कमी की समस्या को हल करने में योगदान देता है।
एक डेटासेट प्रदान करता है जिसका उपयोग विभिन्न आपदाओं और जोखिम घटनाओं के मॉडल के लिए किया जा सकता है।
सिंथेटिक डेटासेट का उपयोग करके पूर्व-प्रशिक्षण के माध्यम से वास्तविक डेटा मॉडल के प्रदर्शन में सुधार की संभावना का सुझाव देना।
व्यक्तिगत आवश्यकताओं के अनुरूप डेटासेट और बेंचमार्क बनाने के लिए विधियां प्रदान करता है।
Limitations:
वर्तमान में उपलब्ध डेटासेट सिंथेटिक डेटा तक सीमित है। वास्तविक डेटा से अंतर का विश्लेषण आवश्यक है।
प्रस्तावित पी.डी.ई. मॉडल की सामान्यीकरणीयता और सीमाओं पर आगे अनुसंधान की आवश्यकता है।
विभिन्न मशीन लर्निंग मॉडलों की बेंचमार्किंग महामारी डेटासेट तक सीमित है। अन्य डेटासेट पर अतिरिक्त प्रयोगों की आवश्यकता है।
👍