ترجمه فارسی مقاله EasyST: چارچوبی ساده برای پیش‌بینی مکانی-زمانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی EasyST: A Simple Framework for Spatio-Temporal Prediction
عنوان مقاله به فارسی EasyST: چارچوبی ساده برای پیش‌بینی مکانی-زمانی
نویسندگان Jiabin Tang, Wei Wei, Lianghao Xia, Chao Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 10 September, 2024; originally announced September 2024. , Comments: Accepted by CIKM'2024, full paper
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: پذیرفته شده توسط CIKM'2024 ، مقاله کامل
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

Spatio-temporal prediction is a crucial research area in data-driven urban computing, with implications for transportation, public safety, and environmental monitoring. However, scalability and generalization challenges remain significant obstacles. Advanced models often rely on Graph Neural Networks to encode spatial and temporal correlations, but struggle with the increased complexity of large-scale datasets. The recursive GNN-based message passing schemes used in these models hinder their training and deployment in real-life urban sensing scenarios. Moreover, long-spanning large-scale spatio-temporal data introduce distribution shifts, necessitating improved generalization performance. To address these challenges, we propose a simple framework for spatio-temporal prediction - EasyST paradigm. It learns lightweight and robust Multi-Layer Perceptrons (MLPs) by effectively distilling knowledge from complex spatio-temporal GNNs. We ensure robust knowledge distillation by integrating the spatio-temporal information bottleneck with teacher-bounded regression loss, filtering out task-irrelevant noise and avoiding erroneous guidance. We further enhance the generalization ability of the student model by incorporating spatial and temporal prompts to provide downstream task contexts. Evaluation on three spatio-temporal datasets for urban computing tasks demonstrates that EasyST surpasses state-of-the-art approaches in terms of efficiency and accuracy. The implementation code is available at: https://github.com/HKUDS/EasyST.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی فضایی-زمانی یک منطقه تحقیقاتی مهم در محاسبات شهری مبتنی بر داده ها ، با پیامدهای مربوط به حمل و نقل ، ایمنی عمومی و نظارت بر محیط زیست است.با این حال ، چالش های مقیاس پذیری و تعمیم موانع مهمی باقی مانده است.مدل های پیشرفته اغلب برای رمزگذاری همبستگی های مکانی و زمانی به شبکه های عصبی نمودار متکی هستند ، اما با افزایش پیچیدگی مجموعه داده های در مقیاس بزرگ مبارزه می کنند.طرح های برگشتی مبتنی بر GNN که در این مدل ها استفاده می شود ، مانع آموزش و استقرار آنها در سناریوهای سنجش شهری واقعی می شود.علاوه بر این ، داده های فضایی-زمانی در مقیاس بزرگ با استفاده از مدت طولانی ، تغییرات توزیع را معرفی می کنند ، که نیاز به بهبود عملکرد تعمیم دارد.برای پرداختن به این چالش ها ، ما یک چارچوب ساده برای پیش بینی فضایی و زمانی - الگوی آسان.این درک سبک و قوی چند لایه (MLPs) را با تقطیر مؤثر دانش از GNN های پیچیده فضایی-زمانی می آموزد.ما با ادغام تنگنای اطلاعات فضا-زمانی با از دست دادن رگرسیون تحت تأثیر معلم ، فیلتر کردن سر و صدای مبهم کار و جلوگیری از راهنمایی اشتباه ، از تقطیر دانش قوی اطمینان حاصل می کنیم.ما بیشتر توانایی تعمیم مدل دانشجویی را با در نظر گرفتن اعلان های مکانی و زمانی برای ارائه زمینه های کار در پایین دست افزایش می دهیم.ارزیابی در سه مجموعه داده فضایی-زمانی برای کارهای محاسباتی شهری نشان می دهد که آسان از رویکردهای پیشرفته از نظر کارآیی و دقت فراتر می رود.کد اجرای در: https://github.com/hkuds/easyst در دسترس است.

📚 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.