論文の概要: MotifGPL: Motif-Enhanced Graph Prototype Learning for Deciphering Urban Social Segregation

• arxiv url: http://arxiv.org/abs/2412.18464v1
• Date: Tue, 24 Dec 2024 14:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 15:54:21.013749
• Title: MotifGPL: Motif-Enhanced Graph Prototype Learning for Deciphering Urban Social Segregation
• Title（参考訳）: MotifGPL: 都市社会の分離を解読するMotif強化グラフプロトタイプ学習
• Authors: Tengfei He, Xiao Zhou,
• Abstract要約: 人種、住宅、所得の次元にまたがる都市における社会的分離は、より多様で深刻なものになりつつある。 Motif-Enhanced Graph Prototype Learning (MotifGPL) というフレームワークを提案する。 MotifGPLは、プロトタイプベースのグラフ構造抽出、モチーフ分布発見、都市グラフ構造再構築の3つの重要なモジュールから構成されている。
• 参考スコア（独自算出の注目度）: 13.681538916025021
• License:
• Abstract: Social segregation in cities, spanning racial, residential, and income dimensions, is becoming more diverse and severe. As urban spaces and social relations grow more complex, residents in metropolitan areas experience varying levels of social segregation. If left unaddressed, this could lead to increased crime rates, heightened social tensions, and other serious issues. Effectively quantifying and analyzing the structures within urban spaces and resident interactions is crucial for addressing segregation. Previous studies have mainly focused on surface-level indicators of urban segregation, lacking comprehensive analyses of urban structure and mobility. This limitation fails to capture the full complexity of segregation. To address this gap, we propose a framework named Motif-Enhanced Graph Prototype Learning (MotifGPL),which consists of three key modules: prototype-based graph structure extraction, motif distribution discovery, and urban graph structure reconstruction. Specifically, we use graph structure prototype learning to extract key prototypes from both the urban spatial graph and the origin-destination graph, incorporating key urban attributes such as points of interest, street view images, and flow indices. To enhance interpretability, the motif distribution discovery module matches each prototype with similar motifs, representing simpler graph structures reflecting local patterns. Finally, we use the motif distribution results to guide the reconstruction of the two graphs. This model enables a detailed exploration of urban spatial structures and resident mobility patterns, helping identify and analyze motif patterns that influence urban segregation, guiding the reconstruction of urban graph structures. Experimental results demonstrate that MotifGPL effectively reveals the key motifs affecting urban social segregation and offer robust guidance for mitigating this issue.
• Abstract（参考訳）: 人種、住宅、所得の次元にまたがる都市における社会的分離は、より多様で深刻なものになりつつある。 都市空間や社会関係が複雑化するにつれて、大都市圏の住民は様々なレベルの社会的分離を経験する。 放置された場合、これは犯罪率の増加、社会的緊張の高まり、その他の深刻な問題につながる可能性がある。 都市空間の構造を効果的に定量化し、分析することは、分離に対処するために重要である。 従来の研究では、都市構造とモビリティの包括的分析を欠いた、都市分離の表面レベル指標に主に焦点が当てられていた。 この制限は分離の完全な複雑さを捉えるのに失敗する。 このギャップに対処するために,プロトタイプベースのグラフ構造抽出,モチーフ分布発見,都市グラフ構造再構築という3つの主要なモジュールからなるMotif-Enhanced Graph Prototype Learning (MotifGPL) というフレームワークを提案する。 具体的には,都市空間グラフと原点決定グラフの両方から重要なプロトタイプを抽出し,関心点,ストリートビューイメージ,フロー指標などの重要な都市属性を取り入れたグラフ構造プロトタイプを学習する。 解釈可能性を高めるため、モチーフ分布探索モジュールは各プロトタイプと類似のモチーフをマッチングし、局所パターンを反映する単純なグラフ構造を表現する。 最後に、モチーフ分布結果を用いて、2つのグラフの再構成を導出する。 このモデルにより、都市空間構造と居住モビリティパターンを詳細に探索し、都市分離に影響を与えるモチーフパターンを特定し分析し、都市グラフ構造の再構築を導くことができる。 実験の結果、MotifGPLは都市社会の分離に影響を及ぼす重要なモチーフを効果的に明らかにし、この問題を緩和するための堅牢なガイダンスを提供することが示された。

関連論文リスト

• 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)
• Uncover the nature of overlapping community in cities [4.497897224837208]
  本研究は,都市社会に固有の複雑な重なり合う性質を反映した,グラフに基づく物理対応深層学習フレームワークを提案する。 米国ミネソタ州ツインシティーズ都市圏(TCMA)における携帯電話の位置データを分析した結果、都市機能の複雑さの95.7%は、平日におけるコミュニティの重複構造に起因することがわかった。
  論文  参考訳（メタデータ） (2024-01-31T22:50:49Z)
• 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)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• A Contextual Master-Slave Framework on Urban Region Graph for Urban Village Detection [68.84486900183853]
  都市域を階層的にモデル化する都市域グラフ(URG)を構築した。 そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。 提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
  論文  参考訳（メタデータ） (2022-11-26T18:17:39Z)
• Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
  都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。 ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2022-02-18T04:59:20Z)
• Neural Embeddings of Urban Big Data Reveal Emergent Structures in Cities [7.148078723492643]
  都市部の異質性を利用したニューラルネットワーク(GNN)を提案する。 アメリカ合衆国の16大都市圏において,何百万もの携帯電話利用者による大規模高解像度モビリティデータセットを用いて,都市部コンポーネント間の複雑な関係をエンコードしていることを示す。 異なる郡で訓練されたモデルによって生成された埋め込みは、他の郡における創発的空間構造の50%から60%を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-10-24T07:13:14Z)
• 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)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。