Fugu-MT 論文翻訳(概要): Attentive Graph Enhanced Region Representation Learning

論文の概要: Attentive Graph Enhanced Region Representation Learning

arxiv url: http://arxiv.org/abs/2307.03212v3
Date: Sat, 1 Jun 2024 03:00:16 GMT
ステータス: 処理完了
システム内更新日: 2024-06-04 21:10:26.503513
Title: Attentive Graph Enhanced Region Representation Learning
Title（参考訳）: 注意グラフによる地域表現学習
Authors: Weiliang Chen, Qianqian Ren, Jinbao Li,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.4106801792345705
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Representing urban regions accurately and comprehensively is essential for various urban planning and analysis tasks. Recently, with the expansion of the city, modeling long-range spatial dependencies with multiple data sources plays an important role in urban region representation. In this paper, we propose the Attentive Graph Enhanced Region Representation Learning (ATGRL) model, which aims to capture comprehensive dependencies from multiple graphs and learn rich semantic representations of urban regions. Specifically, we propose a graph-enhanced learning module to construct regional graphs by incorporating mobility flow patterns, point of interests (POIs) functions, and check-in semantics with noise filtering. Then, we present a multi-graph aggregation module to capture both local and global spatial dependencies between regions by integrating information from multiple graphs. In addition, we design a dual-stage fusion module to facilitate information sharing between different views and efficiently fuse multi-view representations for urban region embedding using an improved linear attention mechanism. Finally, extensive experiments on real-world datasets for three downstream tasks demonstrate the superior performance of our model compared to state-of-the-art methods.
Abstract（参考訳）: 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。近年,都市の拡大に伴い,複数のデータソースによる長距離空間依存のモデル化が都市域の表現において重要な役割を担っている。本稿では,複数のグラフから包括的依存関係を抽出し,都市部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。具体的には、移動フローパターン、関心点(POI)関数、ノイズフィルタリングによるチェックインセマンティクスを取り入れたグラフ強化学習モジュールを提案する。次に,複数のグラフから情報を統合することで,地域間の局所的およびグローバルな空間的依存関係を捕捉する多グラフ集約モジュールを提案する。さらに,異なるビュー間の情報共有を容易にする二段階融合モジュールを設計し,改善された線形アテンション機構を用いて都市域埋め込みのための多視点表現を効率的に融合する。最後に、3つの下流タスクのための実世界のデータセットに関する広範な実験は、最先端の手法と比較して、我々のモデルの優れた性能を示している。

関連論文リスト

Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
論文参考訳（メタデータ） (2024-06-18T13:35:25Z)
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)
Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文参考訳（メタデータ） (2024-02-26T07:52:40Z)
Spatial-Temporal Graph Learning with Adversarial Contrastive Adaptation [19.419836274690816]
効率的な自己教師型学習を実現するための空間時空間グラフ学習モデル(GraphST)を提案する。提案手法は, 重要な多視点自己教師情報の蒸留を自動化する, 対向的コントラスト学習パラダイムである。実生活データセット上での様々な時空間予測タスクにおいて,提案手法の優位性を示す。
論文参考訳（メタデータ） (2023-06-19T03:09:35Z)
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)
Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
論文参考訳（メタデータ） (2022-04-15T04:02:06Z)
Urban Region Profiling via A Multi-Graph Representation Learning Framework [0.0]
本研究では,都市域のプロファイリングのための多グラフ代表学習フレームワークであるRerea2Vecを提案する。実世界のデータセットの実験によると、Rerea2Vecは3つのアプリケーションで使用でき、最先端のベースラインをすべて上回っている。
論文参考訳（メタデータ） (2022-02-04T11:05:37Z)
Multi-Graph Fusion Networks for Urban Region Embedding [40.97361959702485]
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。
論文参考訳（メタデータ） (2022-01-24T15:48:50Z)
Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
論文参考訳（メタデータ） (2021-07-20T22:09:21Z)
Learning Neighborhood Representation from Multi-Modal Multi-Graph: Image, Text, Mobility Graph and Beyond [20.014906526266795]
本稿では,マルチモーダルジオタグ入力をノードまたはエッジの特徴として統合する新しい手法を提案する。具体的には、ストリートビュー画像とpoi特徴を用いて、近傍(ノード)を特徴付け、人間移動を用いて近隣(方向エッジ)間の関係を特徴付ける。トレーニングした埋め込みは、ユニモーダルデータのみを地域入力として使用するものよりも優れています。
論文参考訳（メタデータ） (2021-05-06T07:44:05Z)
Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。