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
- 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) - Recognize Any Regions [59.08881073582635]
RegionSpotは、ローカライゼーション基盤モデルから位置認識のローカライゼーション知識と、ViLモデルから抽出されたセマンティック情報を統合するように設計されている。
我々のモデルは平均的精度(mAP)でGLIPを6.5%上回り、より困難で稀なカテゴリーではさらに14.8%の差がある。
論文 参考訳(メタデータ) (2023-11-02T16:31:49Z) - Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
移動領域の条件付き連続表現は一般的に用いられる。
本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
論文 参考訳(メタデータ) (2023-07-12T15:34:10Z) - Region-Wise Attentive Multi-View Representation Learning for Urban
Region Embeddings [5.034978908472446]
本稿では,多視点依存を捉えるための領域ワイズ多視点表現学習(ROMER)を提案する。
本モデルは,マルチソース都市データから都市域の表現を学習することに焦点を当てる。
我々のモデルは最先端の手法を最大17%改善する。
論文 参考訳(メタデータ) (2023-07-06T16:38:43Z) - 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) - Robust Self-Tuning Data Association for Geo-Referencing Using Lane
Markings [54.298482823211806]
本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。
その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。
ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
論文 参考訳(メタデータ) (2022-07-28T12:29:39Z) - 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) - An Entropy-guided Reinforced Partial Convolutional Network for Zero-Shot
Learning [77.72330187258498]
エントロピー誘導強化部分畳み込みネットワーク(ERPCNet)を提案する。
ERPCNetは、人間のアノテーションのない意味的関連性と視覚的相関に基づいて、局所性を抽出し、集約する。
グローバルな協力的局所性を動的に発見するだけでなく、ポリシー勾配最適化のためにより高速に収束する。
論文 参考訳(メタデータ) (2021-11-03T11:13:13Z) - 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) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳(メタデータ) (2020-05-04T17:45:18Z)
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。