Fugu-MT 論文翻訳(概要): Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning

論文の概要: Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning

arxiv url: http://arxiv.org/abs/2402.01163v1
Date: Fri, 2 Feb 2024 06:06:45 GMT
ステータス: 処理完了
システム内更新日: 2024-02-05 16:37:43.641829
Title: Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning
Title（参考訳）: 対立型自己監督学習を用いた都市域プロファイリング
Authors: Weiliang Chan, Qianqian Ren, Jinbao Li
Abstract要約: 本研究では,EUPASと呼ばれる都市域埋め込みのための自己教師付きグラフ協調フィルタリングモデルを提案する。具体的には、人間の移動データ、関心点(POI)情報、地域ごとの地理的近傍の詳細を含む地域不均一グラフをモデルに入力する。このモデルは、GCNとマルチヘッドアテンションを通じて、リージョン内およびリージョン間依存関係を保存する領域埋め込みを生成する。
参考スコア（独自算出の注目度）: 8.328861861105889
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Urban region profiling is pivotal for smart cities, but mining fine-grained semantics from noisy and incomplete urban data remains challenging. In response, we propose a novel self-supervised graph collaborative filtering model for urban region embedding called EUPAS. Specifically, region heterogeneous graphs containing human mobility data, point of interests (POIs) information, and geographic neighborhood details for each region are fed into the model, which generates region embeddings that preserve intra-region and inter-region dependencies through GCNs and multi-head attention. Meanwhile, we introduce spatial perturbation augmentation to generate positive samples that are semantically similar and spatially close to the anchor, preparing for subsequent contrastive learning. Furthermore, adversarial training is employed to construct an effective pretext task by generating strong positive pairs and mining hard negative pairs for the region embeddings. Finally, we jointly optimize supervised and self-supervised learning to encourage the model to capture the high-level semantics of region embeddings while ignoring the noisy and unimportant details. Extensive experiments on real-world datasets demonstrate the superiority of our model over state-of-the-art methods.
Abstract（参考訳）: 都市域のプロファイリングはスマートシティにとって重要であるが、ノイズや不完全な都市データからきめ細かなセマンティクスをマイニングするのは難しい。そこで本研究では,EUPASと呼ばれる都市域埋め込みのためのグラフ協調フィルタリングモデルを提案する。具体的には、ヒトの移動データ、関心点(POI)情報、および各領域の地理的近傍の詳細を含む領域不均一グラフをモデルに入力し、GCNとマルチヘッドによる領域内および領域間依存関係を保存する領域埋め込みを生成する。一方, 空間摂動増強は, 意味的に類似し, 空間的にアンカーに近接する正のサンプルを生成し, 後続のコントラスト学習に備える。さらに, 強正の対を生成し, 強負の対を領域埋め込みにマイニングすることにより, 効果的なプレテキストタスクを構築するために, 対角訓練を用いる。最後に、教師付き学習と自己教師付き学習を共同で最適化し、ノイズや重要でない詳細を無視しながら、領域埋め込みの高レベルな意味を捉えるようモデルに促す。実世界のデータセットに関する広範囲な実験は、最先端の手法よりもモデルが優れていることを示している。

関連論文リスト

Multimodal Contrastive Learning of Urban Space Representations from POI Data [2.695321027513952]
CaLLiPer (Contrastive Language-Location Pre-training) は連続的な都市空間をベクトル表現に埋め込む表現学習モデルである。ロンドンにおける都市空間表現の学習に適用し,CaLLiPerの有効性を検証する。
論文参考訳（メタデータ） (2024-11-09T16:24:07Z)
FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction [47.336599393600046]
textscFedNEは、textscFedAvgフレームワークと対照的なNEテクニックを統合する新しいアプローチである。我々は、合成データセットと実世界のデータセットの両方について包括的な実験を行う。
論文参考訳（メタデータ） (2024-09-17T19:23:24Z)
Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
通勤フロー予測は、現実の自治体の業務に欠かせない課題である。我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-08-27T03:30:01Z)
Region-aware Distribution Contrast: A Novel Approach to Multi-Task Partially Supervised Learning [50.88504784466931]
マルチタスク密度予測にはセマンティックセグメンテーション、深さ推定、表面正規推定が含まれる。既存のソリューションは通常、グローバルなクロスタスク画像マッチングのためのグローバルなイメージ表現の学習に依存している。本提案では,ガウス分布を用いた地域表現をモデル化する。
論文参考訳（メタデータ） (2024-03-15T12:41:30Z)
RegionGPT: Towards Region Understanding Vision Language Model [88.42271128373191]
RegionGPT(RGPT)は、複雑な地域レベルのキャプションと理解のために設計された新しいフレームワークである。我々は、詳細な地域レベルのキャプションを備えたトレーニングセットを充実させる、自動領域キャプションデータ生成パイプラインを開発する。本研究では,領域レベルのタスクに対して,汎用的なRGPTモデルを効果的に適用し,性能を大幅に向上させることを実証する。
論文参考訳（メタデータ） (2024-03-04T18:58:08Z)
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)
Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
論文参考訳（メタデータ） (2022-02-09T18:56:41Z)
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)
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)
Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文参考訳（メタデータ） (2021-04-30T12:47:52Z)

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。