論文の概要: KRAFT: A Knowledge Graph-Based Framework for Automated Map Conflation
- arxiv url: http://arxiv.org/abs/2509.04684v1
- Date: Thu, 04 Sep 2025 22:15:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-08 14:27:25.420639
- Title: KRAFT: A Knowledge Graph-Based Framework for Automated Map Conflation
- Title（参考訳）: KRAFT: 自動マップ照合のための知識グラフベースのフレームワーク
- Authors: Farnoosh Hashemi, Laks V. S. Lakshmanan,
- Abstract要約: デジタルマップはナビゲーション、艦隊管理、ライドシェアリングといった様々なアプリケーションにおいて重要な役割を担っている。
マップの畳み込み(Map conflation)は、別のGDBを使用して、欠落した空間的特徴を割くGDBの拡張プロセスである。
我々は知識グラフ構築、マップマッチング、マップマージという3つの部分からなる学習ベースのアプローチであるKRAFTを開発する。
- 参考スコア（独自算出の注目度）: 25.65637931342837
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital maps play a crucial role in various applications such as navigation, fleet management, and ride-sharing, necessitating their accuracy and currency, which require timely updates. While the majority of geospatial databases (GDBs) provide high-quality information, their data is (i) limited to specific regions and/or (ii) missing some entities, even in their covered areas. Map conflation is the process of augmentation of a GDB using another GDB to conflate missing spatial features. Existing map conflation methods suffer from two main limitations: (1) They are designed for the conflation of linear objects (e.g., road networks) and cannot simply be extended to non-linear objects, thus missing information about most entities in the map. (2) They are heuristic algorithmic approaches that are based on pre-defined rules, unable to learn entities matching in a data-driven manner. To address these limitations, we design KRAFT, a learning based approach consisting of three parts: (1) Knowledge Graph Construction - where each GDB is represented by a knowledge graph, (2) Map Matching - where we use a knowledge graph alignment method as well as a geospatial feature encoder to match entities in obtained knowledge graphs, and (3) Map Merging - where we merge matched entities in the previous modules in a consistent manner, using a mixed integer linear programming formulation that fully merges the GDBs without adding any inconsistencies. Our experimental evaluation shows that not only does KRAFT achieve outstanding performance compared to state-of-the-art and baseline methods in map conflation tasks, but each of its modules (e.g., Map Matching and Map Merging) also separately outperforms traditional matching and merging methods.
- Abstract（参考訳）: デジタルマップは、ナビゲーション、艦隊管理、ライドシェアリングといった様々なアプリケーションにおいて重要な役割を果たす。
地理空間データベース(GDB)の大部分は高品質な情報を提供するが、そのデータはデータである。
(i)特定地域及び/または/に限る
(二)カバーエリアにおいてもいくつかの実体が欠落している。
マップの畳み込み(Map conflation)は、別のGDBを使用して、欠落した空間的特徴を割くGDBの拡張プロセスである。
既存の地図畳み込み法は,(1)線状オブジェクト(例えば道路網)の畳み込みのために設計されており,単に非線形オブジェクトに拡張できないため,地図内のほとんどのエンティティに関する情報が欠落している。
2) 事前定義されたルールに基づくヒューリスティックなアルゴリズムアプローチであり,データ駆動方式でマッチングするエンティティを学習できない。
知識グラフ構築 - 各GDBを知識グラフで表現する マップマッチング - 知識グラフアライメント手法と、取得した知識グラフのエンティティにマッチする地理空間的特徴エンコーダを使用する マップマージ - 一致した方法で以前のモジュールのエンティティをマージする 混合線形計画法を用いて、一貫性のないGDBを完全マージする。
実験結果から,KRAFTは,地図の折り畳み作業における最先端手法やベースライン手法に比べて優れた性能を発揮するだけでなく,各モジュール(例えばマップマッチングやマップマージ)も従来のマッチング手法とマージ手法を別々に上回っていることがわかった。
関連論文リスト
- Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。
Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。
本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文 参考訳（メタデータ） (2025-05-22T05:15:27Z) - GeoRDF2Vec Learning Location-Aware Entity Representations in Knowledge Graphs [1.6658912537684454]
位置認識によるエンティティの埋め込みを学習するために幾何学的情報を含むRDF2Vecの変種を導入する。
我々のアプローチは、グラフを地理的ノードから浸水させることで、各到達可能なノードが考慮されるように、異なるノードを拡張する。
論文 参考訳（メタデータ） (2025-04-23T21:17:31Z) - InteractionMap: Improving Online Vectorized HDMap Construction with Interaction [0.4551615447454768]
State-of-the-art map vectorization法は主に、エンドツーエンドでHDマップを生成するDETRライクなフレームワークに基づいている。
本稿では,ローカル-グローバル情報インタラクションをフル活用して,従来の地図ベクトル化手法を改善したInteractionMapを提案する。
論文 参考訳（メタデータ） (2025-03-27T16:23:15Z) - Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。
ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。
これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
論文 参考訳（メタデータ） (2024-02-27T10:10:12Z) - Jointly Learning Representations for Map Entities via Heterogeneous
Graph Contrastive Learning [38.415692986360995]
マップエンティティの複数カテゴリの表現を学習するためのHOME-GCLという新しい手法を提案する。
本手法では,道路セグメントとランドパーセルの両方を統一したフレームワークに統合するヘテロジニアスマップエンティティグラフ(HOMEグラフ)を用いる。
我々の知る限り、HOME-GCLは統一モデルを用いて道路セグメントと土地区画の表現を共同で学習する最初の試みである。
論文 参考訳（メタデータ） (2024-02-09T01:47:18Z) - MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。
MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。
提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
論文 参考訳（メタデータ） (2023-01-11T03:05:12Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - DAGMapper: Learning to Map by Discovering Lane Topology [84.12949740822117]
我々は、分岐とマージによるトポロジー変化を含む多くのレーンを持つ複雑な高速道路のレーン境界を描くことに集中する。
グラフのノードがレーン境界の局所領域の幾何学的および位相的特性を符号化する有向非巡回グラフィカルモデル(DAG)における推論として問題を定式化する。
2つの異なる州における2つの幹線道路における我々のアプローチの有効性を示し、高い精度とリコールと89%の正しいトポロジーを示す。
論文 参考訳（メタデータ） (2020-12-22T21:58:57Z) - Relational Message Passing for Knowledge Graph Completion [78.47976646383222]
本稿では,知識グラフ補完のためのリレーショナルメッセージパッシング手法を提案する。
エッジ間でリレーショナルメッセージを反復的に送信し、近隣情報を集約する。
その結果,本手法は最先端の知識完成手法よりも大きなマージンで優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-17T03:33:41Z)
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。