論文の概要: GEO-BLEU: Similarity Measure for Geospatial Sequences

• arxiv url: http://arxiv.org/abs/2112.07144v1
• Date: Tue, 14 Dec 2021 03:50:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 17:05:06.535874
• Title: GEO-BLEU: Similarity Measure for Geospatial Sequences
• Title（参考訳）: GEO-BLEU:地球空間配列の類似度測定
• Authors: Toru Shimizu, Kota Tsubouchi, Takahiro Yabe
• Abstract要約: 本稿では,地理空間配列のモデリングと生成において特に有用である新しい類似度尺度GEO-BLEUを提案する。 BLEUは機械翻訳研究で使われる最も一般的な手段の1つであり、n-gramという概念に空間的近接を導入している。 我々は,この測度を確立されたベースラインである動的時間ワープと比較し,実測地空間列に適用する。
• 参考スコア（独自算出の注目度）: 16.752127721090226
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent geospatial research, the importance of modeling large-scale human mobility data via self-supervised learning is rising, in parallel with progress in natural language processing driven by self-supervised approaches using large-scale corpora. Whereas there are already plenty of feasible approaches applicable to geospatial sequence modeling itself, there seems to be room to improve with regard to evaluation, specifically about how to measure the similarity between generated and reference sequences. In this work, we propose a novel similarity measure, GEO-BLEU, which can be especially useful in the context of geospatial sequence modeling and generation. As the name suggests, this work is based on BLEU, one of the most popular measures used in machine translation research, while introducing spatial proximity to the idea of n-gram. We compare this measure with an established baseline, dynamic time warping, applying it to actual generated geospatial sequences. Using crowdsourced annotated data on the similarity between geospatial sequences collected from over 12,000 cases, we quantitatively and qualitatively show the proposed method's superiority.
• Abstract（参考訳）: 近年の地理空間学的研究では,大規模コーパスを用いた自己教師型アプローチによる自然言語処理の進展と並行して,自己教師型学習による大規模人体移動データのモデリングの重要性が高まっている。 地理空間シーケンスモデリング自体に適用可能なアプローチはすでに数多く存在するが、評価に関して改善の余地があり、特に生成されたシーケンスと参照シーケンスの類似性を測定する方法がある。 本研究では,地空間配列のモデリングと生成の文脈で特に有用であるGEO-BLEUという新しい類似度尺度を提案する。 名称が示すように、この研究は機械翻訳研究で使われる最も一般的な尺度の一つであるbleuに基づいており、n-gramという概念に空間的近接を導入した。 この尺度を、確立されたベースラインである動的時間ウォーピングと比較し、実際の地理空間シーケンスに適用する。 12,000件以上から収集した地理空間配列の類似性に関するクラウドソーシングアノテートデータを用いて,提案手法の優越性を定量的に定性的に示す。

関連論文リスト

• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• (Deep) Generative Geodesics [57.635187092922976]
  2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Towards Natural Language-Guided Drones: GeoText-1652 Benchmark with Spatial Relation Matching [60.645802236700035]
  自然言語コマンドを通じてドローンをナビゲートすることは、アクセス可能なマルチモーダルデータセットが不足しているため、依然として難しい。 我々は新しい自然言語誘導ジオローカライゼーションベンチマークGeoText-1652を紹介する。 このデータセットは、インタラクティブなヒューマンコンピュータプロセスを通じて体系的に構築される。
  論文  参考訳（メタデータ） (2023-11-21T17:52:30Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• Geo-Adaptive Deep Spatio-Temporal predictive modeling for human mobility [5.864710987890994]
  深部GA-vLSは、データが不規則なデータを扱うという課題に直面し、定形かつ規則的なテンソル形状のデータを仮定する。 本稿では,その再帰的メカニズムを維持しつつ,新たなデータ構造に基づくジオアウェアな学習操作を提案する。
  論文  参考訳（メタデータ） (2022-11-27T16:51:28Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep Learning [77.34726150561087]
  本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。 我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
  論文  参考訳（メタデータ） (2022-09-28T18:51:59Z)
• Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
  グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。 本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:41:49Z)
• Classifying COVID-19 Spike Sequences from Geographic Location Using Deep Learning [0.0]
  我々はまず,$k$-merssを用いてSARS-CoV-2のスパイクタンパク質配列の数値表現を計算するアルゴリズムを提案する。 また、スパイク配列における異なるアミノ酸の重要性を、真のクラスラベルに対応する情報ゲインを計算することによって示す。
  論文  参考訳（メタデータ） (2021-10-02T14:09:30Z)
• Atlas Generative Models and Geodesic Interpolation [0.20305676256390928]
  我々は,Atlas Generative Models (AGMs) の一般クラスを定義する。 グラフに基づく測地線のアルゴリズムをAGMの設定に一般化してこれを実証し、その性能を実験的に検証する。
  論文  参考訳（メタデータ） (2021-01-30T16:35:25Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。