論文の概要: Urban Representation Learning for Fine-grained Economic Mapping: A Semi-supervised Graph-based Approach

• arxiv url: http://arxiv.org/abs/2505.11645v1
• Date: Fri, 16 May 2025 19:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.760934
• Title: Urban Representation Learning for Fine-grained Economic Mapping: A Semi-supervised Graph-based Approach
• Title（参考訳）: 細粒度経済図作成のための都市表現学習:半教師付きグラフによるアプローチ
• Authors: Jinzhou Cao, Xiangxu Wang, Jiashi Chen, Wei Tu, Zhenhui Li, Xindong Yang, Tianhong Zhao, Qingquan Li,
• Abstract要約: SemiGTXは、セクター経済マッピングのための半教師付きグラフ学習フレームワークである。 GDPは、統一されたモデルの中で、一次、二次、第三のセクターを同時にマッピングする。 中国のパールリバーデルタ地域で実施された実験は、既存の手法と比較してモデルの性能が優れていることを示した。
• 参考スコア（独自算出の注目度）: 16.044037625795998
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fine-grained economic mapping through urban representation learning has emerged as a crucial tool for evidence-based economic decisions. While existing methods primarily rely on supervised or unsupervised approaches, they often overlook semi-supervised learning in data-scarce scenarios and lack unified multi-task frameworks for comprehensive sectoral economic analysis. To address these gaps, we propose SemiGTX, an explainable semi-supervised graph learning framework for sectoral economic mapping. The framework is designed with dedicated fusion encoding modules for various geospatial data modalities, seamlessly integrating them into a cohesive graph structure. It introduces a semi-information loss function that combines spatial self-supervision with locally masked supervised regression, enabling more informative and effective region representations. Through multi-task learning, SemiGTX concurrently maps GDP across primary, secondary, and tertiary sectors within a unified model. Extensive experiments conducted in the Pearl River Delta region of China demonstrate the model's superior performance compared to existing methods, achieving R2 scores of 0.93, 0.96, and 0.94 for the primary, secondary and tertiary sectors, respectively. Cross-regional experiments in Beijing and Chengdu further illustrate its generality. Systematic analysis reveals how different data modalities influence model predictions, enhancing explainability while providing valuable insights for regional development planning. This representation learning framework advances regional economic monitoring through diverse urban data integration, providing a robust foundation for precise economic forecasting.
• Abstract（参考訳）: 都市表現学習によるきめ細かい経済マッピングは、エビデンスに基づく経済決定の重要なツールとして浮上している。 既存の手法は、主に教師なしまたは教師なしのアプローチに依存しているが、データ・スキャンのシナリオにおける半教師付き学習を見落とし、包括的なセクター経済分析のための統合されたマルチタスクフレームワークを欠いていることが多い。 これらのギャップに対処するために、セクター経済マッピングのための半教師付きグラフ学習フレームワークであるSemiGTXを提案する。 このフレームワークは、様々な地理空間データモダリティのための専用の融合符号化モジュールを設計し、それらを結合グラフ構造にシームレスに統合する。 空間的自己スーパービジョンと局所的にマスクされた教師付き回帰を組み合わせた半情報損失関数を導入し、より情報的で効果的な領域表現を可能にした。 マルチタスク学習を通じて、SemiGTXは、統一モデル内の一次、二次、第三次セクターにGDPを同時にマッピングする。 中国のパールリバーデルタ地域で実施された大規模な実験では、既存手法と比較してモデルの性能が優れており、それぞれ1次・2次・3次セクターのR2スコアが0.93、0.96、0.94となった。 北京と成都の地域横断実験は、その一般化をさらに説明している。 システム分析は、異なるデータモダリティがモデル予測にどのように影響するかを明らかにし、説明可能性を高めながら、地域開発計画に貴重な洞察を提供する。 この表現学習フレームワークは、多様な都市データ統合を通じて地域経済モニタリングを推進し、正確な経済予測のための堅牢な基盤を提供する。

関連論文リスト

• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• 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)
• Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
  オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。 機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。 本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
  論文  参考訳（メタデータ） (2023-09-28T19:30:26Z)
• 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)
• Learning Economic Indicators by Aggregating Multi-Level Geospatial Information [20.0397537179667]
  本研究は,複数レベルの地理的単位から観測される特徴を集約することで,経済指標を予測するための深層学習モデルを提案する。 我々の新しいマルチレベル学習モデルは、人口、購買力、エネルギー消費などの重要な指標を予測する上で、強いベースラインを著しく上回ります。 我々は、不平等と貧困に関する政策・社会科学研究において不可欠な第一歩である不平等を測定するためのマルチレベルモデルについて論じる。
  論文  参考訳（メタデータ） (2022-05-03T13:05:39Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• 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)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。