PulseAugur
中
实时 18:29:19
English(EN) Enhancing Graph Neural Networks Using Proximity Graphs for Dust Source Emission Forecasting

利用邻近图增强的图神经网络用于沙尘排放预测

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新方法，通过整合邻近图来增强图神经网络（GNNs）在沙尘源排放预测中的应用。这些图，包括 Delaunay 三角剖分、Gabriel 图、k-最近邻图和 Yao 图，被用作 GraphSAGE、图卷积网络（GCNs）和图注意力网络（GATs）等各种 GNN 架构的输入。研究表明，使用邻近图的 GNN 在准确预测沙尘现象方面，其性能显著优于使用随机图的模型，并且也优于传统的长短期记忆（LSTM）模型。 AI

影响 这项研究可能带来更准确的环境预测模型，从而改善灾害防备和公众健康。

排序理由 该集群包含一篇学术论文，详细介绍了一种增强图神经网络的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

利用邻近图增强的图神经网络用于沙尘排放预测

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Maryam Sanisales, Zahed Rahmati, Ali Darvishi Boloorani, Ali Vefghi ·

    Enhancing Graph Neural Networks Using Proximity Graphs for Dust Source Emission Forecasting

    arXiv:2606.19825v1 Announce Type: new Abstract: Accurate prediction of dust source emissions is critical for mitigating the significant environmental and health hazards posed by dust storms. Traditional forecasting methods often struggle to capture the complex spatiotemporal dyna…

  2. arXiv cs.LG TIER_1 English(EN) · Ali Vefghi ·

    利用邻近图增强图神经网络用于尘源排放预测

    Accurate prediction of dust source emissions is critical for mitigating the significant environmental and health hazards posed by dust storms. Traditional forecasting methods often struggle to capture the complex spatiotemporal dynamics of these phenomena. In this paper, we demon…

相关实体

相关话题