論文の概要: Complexity-aware Large Scale Origin-Destination Network Generation via Diffusion Model

• arxiv url: http://arxiv.org/abs/2306.04873v2
• Date: Fri, 9 Jun 2023 02:10:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-12 10:08:46.200894
• Title: Complexity-aware Large Scale Origin-Destination Network Generation via Diffusion Model
• Title（参考訳）: 拡散モデルによる複雑度を考慮した大規模原産地ネットワーク生成
• Authors: Can Rong, Jingtao Ding, Zhicheng Liu, Yong Li
• Abstract要約: Origin-Destination (OD) ネットワークは、市内の各地域から他の地域への人々の流れを推定する。 本稿では,ノードとエッジの条件付き結合確率分布を学習するために,ODネットワークの生成と拡散法の設計を提案する。
• 参考スコア（独自算出の注目度）: 24.582615553841396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Origin-Destination~(OD) networks provide an estimation of the flow of people from every region to others in the city, which is an important research topic in transportation, urban simulation, etc. Given structural regional urban features, generating the OD network has become increasingly appealing to many researchers from diverse domains. However, existing works are limited in independent generation of each OD pair, i.e., flow of people from one region to another, overlooking the relations within the overall network. In this paper, we instead propose to generate the OD network, and design a graph denoising diffusion method to learn the conditional joint probability distribution of the nodes and edges within the OD network given city characteristics at region level. To overcome the learning difficulty of the OD networks covering over thousands of regions, we decompose the original one-shot generative modeling of the diffusion model into two cascaded stages, corresponding to the generation of network topology and the weights of edges, respectively. To further reproduce important network properties contained in the city-wide OD network, we design an elaborated graph denoising network structure including a node property augmentation module and a graph transformer backbone. Empirical experiments on data collected in three large US cities have verified that our method can generate OD matrices for new cities with network statistics remarkably similar with the ground truth, further achieving superior outperformance over competitive baselines in terms of the generation realism.
• Abstract（参考訳）: origin-destination~(od)ネットワークは、都市内の各地域から他の地域への人々のフローを推定する。 地域の構造的特徴から、ODネットワークの生成は様々な分野の研究者にますますアピールしている。 しかし、既存の作品は各ODペアの独立世代、すなわちある地域から別の地域への人々の流れにおいて制限され、ネットワーク全体の関係を見渡せる。 本稿では,その代わりにodネットワークを生成することを提案し,地域レベルで与えられた都市特性を考慮したodネットワーク内のノードとエッジの条件付きジョイント確率分布を学習するためのグラフ除算拡散法を考案する。 何千もの領域をカバーするodネットワークの学習難しさを克服するため,拡散モデルの元々のワンショット生成モデルは,ネットワークトポロジの生成とエッジの重みに対応する2つのカスケードステージに分解した。 都市全体のODネットワークに含まれる重要なネットワーク特性を更に再現するため,ノード特性拡張モジュールとグラフトランスフォーマーバックボーンを含む詳細なグラフ記述ネットワーク構造を設計した。 米国の3つの大都市で収集されたデータに関する実証実験により,本手法は,ネットワーク統計量に非常に類似した新たな都市におけるod行列を生成できることが確認された。

関連論文リスト

• Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
  本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。 我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。 GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-02-19T08:11:26Z)
• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Origin-Destination Network Generation via Gravity-Guided GAN [9.03056486066899]
  オリジン・デスティネーション(OD)の流れは、方向や体積を含む貴重な人口移動情報を含んでいる。 そこで本研究では,人口移動モデルを改善するために,Origin-Destination Generation Networks (ODGN) というモデルを構築することを提案する。 具体的には、まず、各地域の都市の特徴を捉えるための多視点グラフ注意ネットワーク(MGAT)を構築し、次に重力誘導予測器を用いて、2つの地域間のODフローを得る。
  論文  参考訳（メタデータ） (2023-06-06T04:07:21Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Quantifying spatial homogeneity of urban road networks via graph neural networks [12.875369866362327]
  都市道路ネットワーク(URN)の空間均質性は、各異なるコンポーネントがネットワーク全体と類似しているかどうかを測定します。 グラフニューラルネットワークを使用して、世界中の30都市で11,790のURNサンプルをモデル化し、その予測可能性を使用して空間均質を定義します。
  論文  参考訳（メタデータ） (2021-01-01T19:45:04Z)
• 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)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• Connectivity-informed Drainage Network Generation using Deep Convolution Generative Adversarial Networks [1.7942265700058988]
  すでに生成されたネットワークサンプルから排水網を再現するために,DCGAN(Deep Convolutional Generative Adversarial Networks)を適用した。 ドレインジネットワーク画像からドレインジネットワークの各ノード上の流れの方向情報に変換する新しい接続インフォームド手法を開発した。
  論文  参考訳（メタデータ） (2020-06-16T20:35:48Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。