ترجمه فارسی مقاله FATE: رمزگذار توجه مدوله‌شده کانونی برای پیش‌بینی دما

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی FATE: Focal-modulated Attention Encoder for Temperature Prediction
عنوان مقاله به فارسی FATE: رمزگذار توجه مدوله‌شده کانونی برای پیش‌بینی دما
نویسندگان Tajamul Ashraf, Janibul Bashir
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computer Vision and Pattern Recognition,یادگیری ماشین , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

One of the major challenges of the twenty-first century is climate change, evidenced by rising sea levels, melting glaciers, and increased storm frequency. Accurate temperature forecasting is vital for understanding and mitigating these impacts. Traditional data-driven models often use recurrent neural networks (RNNs) but face limitations in parallelization, especially with longer sequences. To address this, we introduce a novel approach based on the FocalNet Transformer architecture. Our Focal modulation Attention Encoder (FATE) framework operates in a multi-tensor format, utilizing tensorized modulation to capture spatial and temporal nuances in meteorological data. Comparative evaluations against existing transformer encoders, 3D CNNs, LSTM, and ConvLSTM models show that FATE excels at identifying complex patterns in temperature data. Additionally, we present a new labeled dataset, the Climate Change Parameter dataset (CCPD), containing 40 years of data from Jammu and Kashmir on seven climate-related parameters. Experiments with real-world temperature datasets from the USA, Canada, and Europe show accuracy improvements of 12\%, 23\%, and 28\%, respectively, over current state-of-the-art models. Our CCPD dataset also achieved a 24\% improvement in accuracy. To support reproducible research, we have released the source code and pre-trained FATE model at \href{https://github.com/Tajamul21/FATE}{https://github.com/Tajamul21/FATE}.

چکیده به فارسی (ترجمه ماشینی)

یکی از مهمترین چالش های قرن بیست و یکم ، تغییرات آب و هوایی است که با افزایش سطح دریا ، ذوب یخچال های طبیعی و افزایش فرکانس طوفان مشهود است.پیش بینی دقیق دما برای درک و کاهش این تأثیرات بسیار مهم است.مدلهای سنتی داده محور اغلب از شبکه های عصبی مکرر (RNN) استفاده می کنند اما در موازی سازی ، به ویژه با توالی های طولانی تر ، محدودیت های موازی دارند.برای پرداختن به این موضوع ، ما یک رویکرد جدید را بر اساس معماری ترانسفورماتور کانونی معرفی می کنیم.چارچوب رمزگذار توجه مدولاسیون کانونی ما (FATE) با فرمت چند تنیسور ، با استفاده از مدولاسیون تانسوریزه شده برای ضبط تفاوت های فضایی و زمانی در داده های هواشناسی کار می کند.ارزیابی های مقایسه ای در برابر رمزگذارهای ترانسفورماتور موجود ، مدل های سه بعدی CNN ، LSTM و CONVLSTM نشان می دهد که سرنوشت در شناسایی الگوهای پیچیده در داده های دما برتری دارد.علاوه بر این ، ما یک مجموعه داده با برچسب جدید ، مجموعه داده پارامتر تغییر آب و هوا (CCPD) ، حاوی 40 سال داده از جامو و کشمیر را در هفت پارامتر مرتبط با آب و هوا ارائه می دهیم.آزمایشات با مجموعه داده های دما در دنیای واقعی از ایالات متحده ، کانادا و اروپا به ترتیب دقت 12 \ ٪ ، 23 ٪ و 28 ٪ را نسبت به مدلهای فعلی پیشرفته نشان می دهد.مجموعه داده CCPD ما همچنین به پیشرفت 24 ٪ در دقت دست یافت.برای پشتیبانی از تحقیقات قابل تکرار ، ما کد منبع و مدل سرنوشت از قبل آموزش دیده را در \ href {https://github.com/tajamul21/fate {https://github.com/tajamul21/fate} منتشر کرده ایم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.