論文の概要: Geospatial Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2405.07664v1
• Date: Mon, 13 May 2024 11:45:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-14 13:55:08.823225
• Title: Geospatial Knowledge Graphs
• Title（参考訳）: 地理空間知識グラフ
• Authors: Rui Zhu,
• Abstract要約: 地理空間知識グラフは地理空間情報の表現と推論のための新しいパラダイムとして登場した。 このエントリではまず、知識グラフにおける重要な概念と、関連する標準化とツールを紹介します。 その後、地理・環境科学における知識グラフの応用に踏み切った。
• 参考スコア（独自算出の注目度）: 3.0638648756719222
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geospatial knowledge graphs have emerged as a novel paradigm for representing and reasoning over geospatial information. In this framework, entities such as places, people, events, and observations are depicted as nodes, while their relationships are represented as edges. This graph-based data format lays the foundation for creating a "FAIR" (Findable, Accessible, Interoperable, and Reusable) environment, facilitating the management and analysis of geographic information. This entry first introduces key concepts in knowledge graphs along with their associated standardization and tools. It then delves into the application of knowledge graphs in geography and environmental sciences, emphasizing their role in bridging symbolic and subsymbolic GeoAI to address cross-disciplinary geospatial challenges. At the end, new research directions related to geospatial knowledge graphs are outlined.
• Abstract（参考訳）: 地理空間知識グラフは地理空間情報の表現と推論のための新しいパラダイムとして登場した。 このフレームワークでは、場所、人、イベント、観察などのエンティティをノードとして表現し、それらの関係をエッジとして表現する。 このグラフベースのデータフォーマットは、地理的情報の管理と分析を容易にする「FAIR(Findable, Accessible, Interoperable, Reusable)」環境を作成する基盤となる。 このエントリではまず、知識グラフにおける重要な概念と、関連する標準化とツールを紹介します。 その後、地理・環境科学における知識グラフの応用に踏み込み、学際的な地理空間的課題に対処するために、象徴的で象徴的なGeoAIをブリッジする役割を強調した。 最後に,地理空間知識グラフに関する新たな研究の方向性について概説する。

関連論文リスト

• Geometric Feature Enhanced Knowledge Graph Embedding and Spatial Reasoning [8.561588656662419]
  Geospatial Knowledge Graphs (GeoKGs) は地理と空間関係を相互にモデル化する。 一般的な知識グラフ埋め込み(KGE)技術のような、GeoKGからの採掘と推論のための既存の手法は、認識を欠いている。 本研究の目的は,新しい戦略を開発し,空間関係の幾何学的特徴を統合することで汎用KGEを強化することである。
  論文  参考訳（メタデータ） (2024-10-24T00:53:48Z)
• The KnowWhereGraph Ontology [10.600781045791642]
  KnowWhereGraphは、広く公開されている地理空間知識グラフの1つである。 自然災害(ハリケーン、山火事など)、気候変数(気温、降水量など)、土壌特性、作物や土地被覆タイプ、人口統計、健康、様々な場所や地域識別子など、30の層からのデータが含まれている。 これらは、食料安全保障や農業サプライチェーンの課題に対処するために、さまざまなアプリケーションによって、グラフを通じて活用されてきた。
  論文  参考訳（メタデータ） (2024-10-17T18:18:41Z)
• Signed graphs in data sciences via communicability geometry [55.2480439325792]
  符号付きグラフに対する可換幾何学の概念を提案し、この空間における可換距離や角度などの測度がユークリッド的かつ球面的であることを証明した。 次に、これらのメトリクスを適用して、署名付きグラフのデータ解析におけるいくつかの問題を統一的に解決する。
  論文  参考訳（メタデータ） (2024-03-12T10:32:35Z)
• Graph Theory Applications in Advanced Geospatial Research [0.0]
  本稿では地理空間科学におけるグラフ理論アルゴリズムの適用について考察する。 ネットワーク分析、空間接続性、地理情報システム、およびデジタルツインのような様々な空間問題解決シナリオにおけるそれらの役割を強調している。 この領域で実装された広範な研究、革新的技術、方法論を列挙する。
  論文  参考訳（メタデータ） (2023-09-06T15:47:18Z)
• GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
  我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
  論文  参考訳（メタデータ） (2023-05-11T03:21:56Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• Narrative Cartography with Knowledge Graphs [10.715484138543069]
  ナレッジグラフ(KG)を用いたナラティブカルトグラフィーの考え方を提案する。 データ取得と統合の課題に取り組むため、我々はKGベースのGeoEnrichmentツールボックスセットを開発した。 このツールの助けを借りて、KGから取得したデータはGIS形式で直接実体化される。
  論文  参考訳（メタデータ） (2021-12-02T04:01:17Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• A Survey on Knowledge Graphs: Representation, Acquisition and Applications [89.78089494738002]
  我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。 知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。 メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
  論文  参考訳（メタデータ） (2020-02-02T13:17:31Z)

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。