Fugu-MT 論文翻訳(概要): Graph representation learning for street networks

論文の概要: Graph representation learning for street networks

arxiv url: http://arxiv.org/abs/2211.04984v1
Date: Wed, 9 Nov 2022 16:02:28 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 16:41:23.461694
Title: Graph representation learning for street networks
Title（参考訳）: ストリートネットワークのためのグラフ表現学習
Authors: Mateo Neira and Roberto Murcio
Abstract要約: ストリートネットワークは、私たちの都市における異なる時間的および出現に関する貴重な情報ソースを提供する。これまでの研究では、学習アルゴリズムによって元のデータの表現が作成できることが示されている。本稿では,街路ネットワークから直接優れた表現を推測できるモデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Streets networks provide an invaluable source of information about the different temporal and spatial patterns emerging in our cities. These streets are often represented as graphs where intersections are modelled as nodes and streets as links between them. Previous work has shown that raster representations of the original data can be created through a learning algorithm on low-dimensional representations of the street networks. In contrast, models that capture high-level urban network metrics can be trained through convolutional neural networks. However, the detailed topological data is lost through the rasterisation of the street network. The models cannot recover this information from the image alone, failing to capture complex street network features. This paper proposes a model capable of inferring good representations directly from the street network. Specifically, we use a variational autoencoder with graph convolutional layers and a decoder that outputs a probabilistic fully-connected graph to learn latent representations that encode both local network structure and the spatial distribution of nodes. We train the model on thousands of street network segments and use the learnt representations to generate synthetic street configurations. Finally, we proposed a possible application to classify the urban morphology of different network segments by investigating their common characteristics in the learnt space.
Abstract（参考訳）: 街路ネットワークは、私たちの都市で出現する時間的・空間的なパターンに関する貴重な情報源を提供する。これらの通りはしばしばグラフとして表現され、交差点はノードとしてモデル化され、道路はそれらの間のリンクとしてモデル化される。以前の研究では、元のデータのラスター表現は、ストリートネットワークの低次元表現の学習アルゴリズムによって作成できることが示されている。対照的に、高レベルの都市ネットワークメトリクスをキャプチャするモデルは畳み込みニューラルネットワークを通じてトレーニングすることができる。しかし、詳細なトポロジーデータはストリートネットワークのラスタライズによって失われる。モデルは画像のみからこれらの情報を復元することができず、複雑なストリートネットワーク機能をキャプチャできない。本稿では,街路ネットワークから直接優れた表現を推測できるモデルを提案する。具体的には、グラフ畳み込み層を持つ変分オートエンコーダと、確率論的完全連結グラフを出力するデコーダを用いて、局所ネットワーク構造とノードの空間分布の両方を符号化する潜在表現を学習する。私たちは、何千ものストリートネットワークセグメントでモデルをトレーニングし、学習表現を使用して合成されたストリート構成を生成します。最後に,学習空間における共通の特徴を解明し,異なるネットワークセグメントの都市形態を分類するアプリケーションを提案する。

関連論文リスト

GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
highway2vec -- representing OpenStreetMap microregions with respect to their road network characteristics [3.5960954499553512]
本稿では,道路インフラストラクチャ特性に関するマイクロリージョンの埋め込みを生成する手法を提案する。私たちは、いくつかの都市のOpenStreetMapロードネットワークをベースとしています。地図六角形が道路網にどの程度近いかを検出するベクトル表現を得た。
論文参考訳（メタデータ） (2023-04-26T23:16:18Z)
Shortest Path Networks for Graph Property Prediction [13.986963122264632]
ほとんどのグラフニューラルネットワークモデルは、グラフのノード表現を直接近傍の各ノードに反復的に伝播するという、特定のメッセージパッシングパラダイムに依存している。本稿では,最短経路近傍の各ノードにグラフのノード表現を伝搬する最短経路メッセージパッシングニューラルネットワークを提案する。我々のフレームワークは、メッセージパッシングニューラルネットワークを一般化し、より表現力のあるモデルをもたらす。
論文参考訳（メタデータ） (2022-06-02T12:04:29Z)
Network representation learning: A macro and micro view [9.221196170951702]
本稿では,ネットワーク表現学習に関する最近の文献を包括的にレビューする。既存のアルゴリズムは、浅い埋め込みモデル、異種ネットワーク埋め込みモデル、グラフニューラルネットワークベースモデルという3つのグループに分類される。この調査の利点の1つは、アルゴリズムの異なるカテゴリの基礎となる理論的基礎を体系的に研究することである。
論文参考訳（メタデータ） (2021-11-21T08:58:51Z)
Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T15:39:52Z)
Graph Representation Learning for Road Type Classification [13.227651826285014]
本稿では,最先端のグラフ畳み込みニューラルネットワークを用いた道路網のグラフ表現に対する学習に基づくアプローチを提案する。われわれのアプローチは、オープンストリートマップから17都市の現実的な道路網に適用されている。
論文参考訳（メタデータ） (2021-07-16T09:32:58Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文参考訳（メタデータ） (2020-06-22T12:46:44Z)
Temporal Network Representation Learning via Historical Neighborhoods Aggregation [28.397309507168128]
本稿では,EHNAアルゴリズムによる埋め込みを提案する。まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
論文参考訳（メタデータ） (2020-03-30T04:18:48Z)
Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。