論文の概要: Multi-Graph Fusion Networks for Urban Region Embedding

• arxiv url: http://arxiv.org/abs/2201.09760v1
• Date: Mon, 24 Jan 2022 15:48:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 15:20:13.496117
• Title: Multi-Graph Fusion Networks for Urban Region Embedding
• Title（参考訳）: 都市域埋め込みのためのマルチグラフ融合ネットワーク
• Authors: Shangbin Wu, Xu Yan, Xiaoliang Fan, Shirui Pan, Shichao Zhu, Chuanpan Zheng, Ming Cheng, Cheng Wang
• Abstract要約: ヒトの移動データから都市部の埋め込みを学習することで、地域の機能を明らかにすることができ、犯罪予測のような相関性はあるものの異なるタスクを可能にする。 クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。 実験の結果、提案されたMGFNは最先端の手法よりも最大12.35%優れていた。
• 参考スコア（独自算出の注目度）: 40.97361959702485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning the embeddings for urban regions from human mobility data can reveal the functionality of regions, and then enables the correlated but distinct tasks such as crime prediction. Human mobility data contains rich but abundant information, which yields to the comprehensive region embeddings for cross domain tasks. In this paper, we propose multi-graph fusion networks (MGFN) to enable the cross domain prediction tasks. First, we integrate the graphs with spatio-temporal similarity as mobility patterns through a mobility graph fusion module. Then, in the mobility pattern joint learning module, we design the multi-level cross-attention mechanism to learn the comprehensive embeddings from multiple mobility patterns based on intra-pattern and inter-pattern messages. Finally, we conduct extensive experiments on real-world urban datasets. Experimental results demonstrate that the proposed MGFN outperforms the state-of-the-art methods by up to 12.35% improvement.
• Abstract（参考訳）: モビリティデータから都市部への埋め込みを学習することで、地域の機能を明らかにし、犯罪予測のような相関的だが異なるタスクを可能にする。 人間の移動データは豊富なが豊富な情報を含んでいるため、クロスドメインタスクのための包括的領域埋め込みに繋がる。 本稿では,クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。 まず,移動グラフ融合モジュールを用いて,時空間類似度を移動パターンとして統合する。 次に,モビリティパターン統合学習モジュールにおいて,パターン内およびパターン間メッセージに基づいて,複数のモビリティパターンから包括的埋め込みを学習するためのマルチレベルクロスアテンション機構を設計する。 最後に,実世界の都市データセットについて広範な実験を行う。 実験の結果、提案したMGFNは12.35%の改善により最先端の手法よりも優れていた。

関連論文リスト

• Fine-Grained Urban Flow Inference with Multi-scale Representation Learning [14.673004628911443]
  そこで本稿では,UrbanMSRと呼ばれる都市流モデルを提案する。 自己教師付きコントラスト学習を用いて、近隣レベルと都市レベルの地理的情報の動的マルチスケール表現を得る。 実世界の3つのデータセットに対する広範な実験により,その性能を検証した。
  論文  参考訳（メタデータ） (2024-06-14T04:42:29Z)
• Digital Twin Mobility Profiling: A Spatio-Temporal Graph Learning Approach [9.56255685195115]
  モビリティ・プロファイリングは、モビリティ・データから都市交通の潜在的なパターンを抽出することができる。 デジタルツイン(DT)技術は、コスト効率とパフォーマンス最適化管理の道を開く。 本稿では,移動時ネットワークDTモデルを用いてノードプロファイルを学習するためのデジタルツインモビリティ・プロファイリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-06T06:37:43Z)
• Attentive Graph Enhanced Region Representation Learning [7.4106801792345705]
  都市部を正確にかつ包括的に表現することは,様々な都市計画・分析業務に不可欠である。 本研究では,複数のグラフから包括的依存関係を抽出し,都市域のリッチな意味表現を学習することを目的としたAttentive Graph Enhanced Region Representation Learning (ATGRL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:38:43Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Semantic-Fused Multi-Granularity Cross-City Traffic Prediction [17.020546413647708]
  本研究では,異なる粒度で融合した意味を持つ都市間における知識伝達を実現するためのセマンティック・フューズド・マルチグラニュラリティ・トランスファー・ラーニング・モデルを提案する。 本稿では,静的な空間依存を保ちながら,様々な意味を融合する意味融合モジュールを設計する。 STLモデルの有効性を検証するため、6つの実世界のデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-02-23T04:26:34Z)
• Learning to Augment via Implicit Differentiation for Domain Generalization [107.9666735637355]
  ドメイン一般化(DG)は、複数のソースドメインを活用してドメイン一般化可能なモデルを学ぶことで、この問題を克服することを目的としている。 本稿では,AugLearnと呼ばれる新しい拡張型DG手法を提案する。 AugLearnは、PACS、Office-Home、Digits-DGの3つの標準DGベンチマークで効果を示す。
  論文  参考訳（メタデータ） (2022-10-25T18:51:51Z)
• Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
  本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。 実験はニューヨーク市の実際のデータセットを用いて行われる。
  論文  参考訳（メタデータ） (2021-12-15T12:35:35Z)
• Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
  我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。 実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
  論文  参考訳（メタデータ） (2021-11-30T04:30:10Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。