GRIT-LP：基于长程跳连与分区空间图的图变换器用于精准冰层厚度预测
机器学习
2025-11-25 v1 计算机视觉与模式识别
摘要
图变换器在复杂时空任务上展现出卓越能力，但其深度常受限于过度平滑和弱长程依赖建模。为此，我们提出GRIT-LP，一个专为从极地雷达图像估算冰层厚度而设计的图变换器。精准估算冰层厚度对于理解积雪积累、重建过去气候模式以及降低未来冰盖演变及海平面上升不确定性至关重要。GRIT-LP将归纳几何图学习框架与自注意力机制结合，引入两大创新性措施以共同解决冰层时空模式建模中的挑战：一种分区空间图构建策略形成重叠且完全连通的局部邻域，以保持空间一致性并抑制来自无关长程链接的噪声；以及变换器内部的长程跳连机制，改善信息流动并缓解深层注意力层的过度平滑。我们进行了大量实验，表明GRIT-LP相较于当前SOTA方法在均方根误差上提升了24.92%。这些结果凸显了图变换器在捕捉局部结构特征与冰层内部长程依赖关系方面的时空模式建模能力，并展示了其在数据驱动理解冰川过程中的潜力。
引用
@article{arxiv.2511.18716,
title = {GRIT-LP: Graph Transformer with Long-Range Skip Connection and Partitioned Spatial Graphs for Accurate Ice Layer Thickness Prediction},
author = {Zesheng Liu and Maryam Rahnemoonfar},
journal= {arXiv preprint arXiv:2511.18716},
year = {2025}
}