論文の概要: Learning Geospatial Region Embedding with Heterogeneous Graph
- arxiv url: http://arxiv.org/abs/2405.14135v1
- Date: Thu, 23 May 2024 03:19:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 19:15:00.595854
- Title: Learning Geospatial Region Embedding with Heterogeneous Graph
- Title(参考訳): 不均一グラフを用いた地理空間領域の学習
- Authors: Xingchen Zou, Jiani Huang, Xixuan Hao, Yuhao Yang, Haomin Wen, Yibo Yan, Chao Huang, Yuxuan Liang,
- Abstract要約: 様々な下流タスクに対する包括的領域埋め込みを学習するための有効なヘテロジニアスグラフ構造であるGeoHGを提案する。
具体的には、地理的領域分割とPOI(point-of-interest)統合による衛星画像表現学習を、表現的地域内特徴のために調整する。
GeoHGは情報的空間依存性と社会環境特性を強力なヘテロジニアスグラフに統合し、高次の地域間関係の明示的なモデリングを促進する。
- 参考スコア(独自算出の注目度): 16.864563545518124
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Learning effective geospatial embeddings is crucial for a series of geospatial applications such as city analytics and earth monitoring. However, learning comprehensive region representations presents two significant challenges: first, the deficiency of effective intra-region feature representation; and second, the difficulty of learning from intricate inter-region dependencies. In this paper, we present GeoHG, an effective heterogeneous graph structure for learning comprehensive region embeddings for various downstream tasks. Specifically, we tailor satellite image representation learning through geo-entity segmentation and point-of-interest (POI) integration for expressive intra-regional features. Furthermore, GeoHG unifies informative spatial interdependencies and socio-environmental attributes into a powerful heterogeneous graph to encourage explicit modeling of higher-order inter-regional relationships. The intra-regional features and inter-regional correlations are seamlessly integrated by a model-agnostic graph learning framework for diverse downstream tasks. Extensive experiments demonstrate the effectiveness of GeoHG in geo-prediction tasks compared to existing methods, even under extreme data scarcity (with just 5% of training data). With interpretable region representations, GeoHG exhibits strong generalization capabilities across regions. We will release code and data upon paper notification.
- Abstract(参考訳): 効果的な地理空間埋め込みの学習は、都市分析や地球モニタリングなど、一連の地理空間的応用に不可欠である。
しかし、包括的領域表現の学習は、第一に、効果的な領域内特徴表現の欠如、第二に、複雑な領域間の依存関係から学ぶことの難しさの2つの重要な課題を示す。
本稿では,様々な下流タスクに対する包括的領域埋め込みを学習するための有効なヘテロジニアスグラフ構造であるGeoHGを提案する。
具体的には、地理的領域分割とPOI(point-of-interest)統合による衛星画像表現学習を、表現的地域内特徴のために調整する。
さらに、GeoHGは情報的空間依存性と社会環境特性を強力なヘテロジニアスグラフに統合し、高次の地域間関係の明示的なモデリングを促進する。
地域内特徴と地域間相関は、様々な下流タスクのためのモデルに依存しないグラフ学習フレームワークによってシームレスに統合される。
過剰なデータ不足下でも(トレーニングデータの5%しか持たない)、GeoHGが既存の方法と比較してジオプレディションタスクにおける有効性を示す実験が広く行われている。
解釈可能な領域表現により、GeoHGは領域間で強力な一般化能力を示す。
コードとデータは、紙の通知で公開します。
関連論文リスト
- An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。
地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。
我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
論文 参考訳(メタデータ) (2025-02-10T05:44:54Z) - RegionGCN: Spatial-Heterogeneity-Aware Graph Convolutional Networks [8.132751508556078]
本研究では,地域レベルでの空間的プロセスの不均一性を個人レベルでではなく,地域レベルでモデル化することを提案する。
本研究では,2016年アメリカ合衆国大統領選挙における郡レベルの投票率の空間的予測に,地域GCNという空間的不均一性を考慮したグラフ畳み込みネットワークを適用した。
論文 参考訳(メタデータ) (2025-01-29T12:09:01Z) - GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction [1.8127783865655926]
ジオコンフォーマル予測(GeoConformal Prediction)と呼ばれるモデルに依存しない不確実性評価手法を提案する。
空間回帰と空間予測の2つの古典的空間予測事例に適用する。
また,GeoConformalは,地理知識探索だけでなく,将来的なGeoAIモデルの設計の指導にも有用であることがわかった。
論文 参考訳(メタデータ) (2024-12-05T18:40:06Z) - Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳(メタデータ) (2024-11-14T11:16:32Z) - Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。
我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。
また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
論文 参考訳(メタデータ) (2024-10-14T17:22:55Z) - Unveiling Optimal SDG Pathways: An Innovative Approach Leveraging Graph
Pruning and Intent Graph for Effective Recommendations [12.444301825257071]
本稿では,Pruning and Intent Graph (UGPIG) 後のユーザグラフという手法を提案する。
まず,プルーニングされたユーザグラフの高密度リンク機能を利用して,推薦アルゴリズムにおける空間無視の問題に対処する。
次に、目的領域の環境要素を含む属性の嗜好をキャプチャするインテントネットワークを組み込むことで、インテントグラフを構築する。
論文 参考訳(メタデータ) (2023-09-21T02:32:17Z) - Spatial Heterophily Aware Graph Neural Networks [35.95622680895503]
グラフニューラルネットワーク(GNN)は、都市を都市グラフとして定式化し、そのノードは、地域や関心点のような都市オブジェクトである。
近年,接続ノードが異なるヘテロフィリーグラフに対処するために,いくつかの拡張GNNアーキテクチャが開発されている。
しかし、都市グラフは通常、独特の空間的ヘテロフィリーな性質を持つことが観察され、つまり、異なる空間的距離の隣人の相似性は大きな多様性を示す。
我々は空間的多様性スコア(Spatial Diversity Score)と呼ばれるメトリクスを提案し、空間的ヘテロフィリを定量的に測定し、それがGNNの性能に与える影響を示す。
論文 参考訳(メタデータ) (2023-06-21T09:35:50Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳(メタデータ) (2022-01-26T14:58:51Z) - 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) - A Survey on Heterogeneous Graph Embedding: Methods, Techniques,
Applications and Sources [79.48829365560788]
異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。
HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
論文 参考訳(メタデータ) (2020-11-30T15:03:47Z) - Entropy as a measure of attractiveness and socioeconomic complexity in
Rio de Janeiro metropolitan area [52.77024349608834]
携帯電話のデータセットとエントロピーに基づく測度を用いて、位置の魅力を測定する。
その結果、エントロピーによって測定された特定の位置の魅力は、その位置の社会経済的地位の重要な記述者であることがわかった。
論文 参考訳(メタデータ) (2020-03-23T15:58:56Z)
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。