論文の概要: Prediction of Usage Probabilities of Shopping-Mall Corridors Using Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2504.07645v1
• Date: Thu, 10 Apr 2025 10:48:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:19:54.736900
• Title: Prediction of Usage Probabilities of Shopping-Mall Corridors Using Heterogeneous Graph Neural Networks
• Title（参考訳）: 異種グラフニューラルネットワークを用いたショッピングモール回廊利用確率の予測
• Authors: Malik M Barakathullah, Immanuel Koh,
• Abstract要約: 本稿では,ショッピングモール回廊の利用可能性予測のためのグラフニューラルネットワーク(GNN)を用いた手法を提案する。 利用確率の予測は、店舗の特徴、すなわち地域と利用カテゴリー、およびこれらの店舗、廊下のジャンクション、入り口を廊下で繋ぐグラフに基づいている。
• 参考スコア（独自算出の注目度）: 0.7366405857677227
• License:
• Abstract: We present a method based on graph neural network (GNN) for prediction of probabilities of usage of shopping-mall corridors. The heterogeneous graph network of shops and corridor paths are obtained from floorplans of the malls by creating vector layers for corridors, shops and entrances. These are subsequently assimilated into nodes and edges of graphs. The prediction of the usage probability is based on the shop features, namely, the area and usage categories they fall into, and on the graph connecting these shops, corridor junctions and entrances by corridor paths. Though the presented method is applicable for training on datasets obtained from a field survey or from pedestrian-detecting sensors, the target data of the supervised deep-learning work flow in this work are obtained from a probability method. We also include a context-specific representation learning of latent features. The usage-probability prediction is made on each edge, which is a connection by a section of corridor path between the adjacent nodes representing the shops or corridor points. To create a feature for each edge, the hidden-layer feature vectors acquired in the message-passing GNN layers at the nodes of each edge are averaged and concatenated with the vector obtained by their multiplication. These edge-features are then passed to multilayer perceptrons (MLP) to make the final prediction of usage probability on each edge. The samples of synthetic learning dataset for each shopping mall are obtained by changing the shops' usage and area categories, and by subsequently feeding the graph into the probability model. When including different shopping malls in a single dataset, we also propose to consider graph-level features to inform the model with specific identifying features of each mall.
• Abstract（参考訳）: 本稿では,ショッピングモール回廊の利用可能性予測のためのグラフニューラルネットワーク(GNN)を用いた手法を提案する。 店舗や廊下のヘテロジニアスグラフネットワークは、廊下、店舗、入り口のベクター層を作成することにより、モールのフロアプランから得られる。 これらはその後、グラフのノードとエッジに同化される。 利用確率の予測は、店舗の特徴、すなわち地域と利用カテゴリー、およびこれらの店舗、廊下のジャンクション、入り口を廊下で繋ぐグラフに基づいている。 本手法は、フィールドサーベイや歩行者検出センサから得られたデータセットのトレーニングに応用できるが、本研究における教師付き深層学習作業フローの目標データは確率法から得られる。 また、潜在特徴の文脈特化表現学習も含んでいる。 利用確率予測は各エッジ上で行われ、店舗又は回廊点を表す隣接ノード間の回廊経路の断面によって接続される。 各エッジの特徴を作成するために、各エッジのノードにおけるメッセージパスGNN層で得られた隠れ層特徴ベクトルを、それらの乗算によって得られたベクトルと平均化して連結する。 これらのエッジ特徴を多層パーセプトロン(MLP)に渡して、各エッジにおける使用確率の最終的な予測を行う。 各ショッピングモールの総合学習データセットのサンプルは、店舗の利用状況と地域カテゴリーを変更し、その後、確率モデルにグラフを供給することによって得られる。 異なるショッピングモールを1つのデータセットに含める場合、各ショッピングモールの特定の識別特徴をモデルに通知するグラフレベルの特徴についても検討する。

関連論文リスト

• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
  グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。 私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。 ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
  論文  参考訳（メタデータ） (2024-10-18T01:34:35Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
  異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2022-12-23T17:30:19Z)
• Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks [0.6236890292833384]
  本稿では,近隣ランダムウォークサンプリング(BGCN-NRWS)を用いたベイジアングラフ畳み込みネットワーク(Bayesian Graph Convolutional Network)を提案する。 BGCN-NRWSは、グラフ構造を利用したマルコフ・チェイン・モンテカルロ(MCMC)に基づくグラフサンプリングアルゴリズムを使用し、変分推論層を用いてオーバーフィッティングを低減し、半教師付きノード分類における最先端と比較して一貫して競合する分類結果を得る。
  論文  参考訳（メタデータ） (2021-12-14T20:58:27Z)
• Interpreting Graph Neural Networks for NLP With Differentiable Edge Masking [63.49779304362376]
  グラフニューラルネットワーク(GNN)は、構造的帰納バイアスをNLPモデルに統合する一般的なアプローチとなっている。 本稿では,不要なエッジを識別するGNNの予測を解釈するポストホック手法を提案する。 モデルの性能を劣化させることなく,多数のエッジを落とせることを示す。
  論文  参考訳（メタデータ） (2020-10-01T17:51:19Z)
• Track Seeding and Labelling with Embedded-space Graph Neural Networks [3.5236955190576693]
  Exa.TrkXプロジェクトは、粒子トラック再構築のための機械学習アプローチを調査している。 これらのソリューションで最も有望なのは、グラフニューラルネットワーク(GNN)で、トラック計測を接続するグラフとしてイベントを処理する。 この課題に対する最先端アーキテクチャの更新について報告する。
  論文  参考訳（メタデータ） (2020-06-30T23:43:28Z)
• Graph Representation Learning Network via Adaptive Sampling [4.996520403438455]
  Graph Attention Network(GAT)とGraphSAGEは、グラフ構造化データを操作するニューラルネットワークアーキテクチャである。 GraphSAGEが提起した課題のひとつは、グラフ構造に基づいた隣の機能をスマートに組み合わせる方法だ。 より効率的で,異なるエッジ型情報を組み込むことが可能な,これらの問題に対処する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-06-08T14:36:20Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。