論文の概要: Exploring Urban Factors with Autoencoders: Relationship Between Static and Dynamic Features
- arxiv url: http://arxiv.org/abs/2509.06167v1
- Date: Sun, 07 Sep 2025 18:37:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.886801
- Title: Exploring Urban Factors with Autoencoders: Relationship Between Static and Dynamic Features
- Title（参考訳）: オートエンコーダを用いた都市要因の探索 : 静的特徴と動的特徴の関係
- Authors: Ximena Pocco, Waqar Hassan, Karelia Salinas, Vladimir Molchanov, Luis G. Nonato,
- Abstract要約: 我々は、融合した潜在データ表現が別の表現よりも効果的かどうかを分析するための可視化支援フレームワークを開発する。
この分析により、結合された潜在表現はより構造化されたパターンを生成するのに対し、分離された表現は特に有用であることが明らかとなった。
- 参考スコア（独自算出の注目度）: 0.9623578875486182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Urban analytics utilizes extensive datasets with diverse urban information to simulate, predict trends, and uncover complex patterns within cities. While these data enables advanced analysis, it also presents challenges due to its granularity, heterogeneity, and multimodality. To address these challenges, visual analytics tools have been developed to support the exploration of latent representations of fused heterogeneous and multimodal data, discretized at a street-level of detail. However, visualization-assisted tools seldom explore the extent to which fused data can offer deeper insights than examining each data source independently within an integrated visualization framework. In this work, we developed a visualization-assisted framework to analyze whether fused latent data representations are more effective than separate representations in uncovering patterns from dynamic and static urban data. The analysis reveals that combined latent representations produce more structured patterns, while separate ones are useful in particular cases.
- Abstract（参考訳）: 都市分析は、都市内の複雑なパターンをシミュレート、予測、解明するために、多様な都市情報を含む広範囲なデータセットを利用する。
これらのデータは高度な解析を可能にするが、その粒度、不均一性、多モード性による課題も提示する。
これらの課題に対処するために、街路レベルで識別された異種・多モードデータの潜伏表現の探索を支援する視覚解析ツールが開発された。
しかし、可視化支援ツールは、統合された可視化フレームワーク内で各データソースを独立して調べるよりも、融合したデータが深い洞察を提供することができる範囲を調査することはめったにない。
本研究では,動的および静的な都市データからパターンを明らかにする際に,融合した潜在データ表現が別の表現よりも有効であるかどうかを可視化支援するフレームワークを開発した。
この分析により、結合された潜在表現はより構造化されたパターンを生成するのに対し、分離された表現は特に有用であることが明らかとなった。
関連論文リスト
- Urbanite: A Dataflow-Based Framework for Human-AI Interactive Alignment in Urban Visual Analytics [4.107382739138796]
都市視覚分析は、現実世界の問題に対する洞察を導き出すのに欠かせないものとなっている。
多様なデータセットを管理し、複雑に蒸留し、様々な分析手法を統合する必要性は、参入の障壁を高くする。
都市視覚分析における人間とAIの協調のためのフレームワークであるUrbaniteを提案する。
論文 参考訳（メタデータ） (2025-08-10T15:44:37Z) - Interactive dense pixel visualizations for time series and model attribution explanations [8.24039921933289]
DAVOTSは、生の時系列データ、ニューラルネットワークのアクティベーション、高密度ピクセル可視化における属性を探索する、インタラクティブなビジュアル分析アプローチである。
可視化されたデータドメインにクラスタリングアプローチを適用し、グループをハイライトし、個々のデータ探索と組み合わせたデータ探索のための順序付け戦略を示す。
論文 参考訳（メタデータ） (2024-08-27T14:02:21Z) - Knowledge-Aware Reasoning over Multimodal Semi-structured Tables [85.24395216111462]
本研究では、現在のAIモデルがマルチモーダルな構造化データに基づいて知識を考慮した推論を行うことができるかどうかを検討する。
この目的のために設計された新しいデータセットであるMMTabQAを紹介する。
我々の実験は、複数のテキストと画像の入力を効果的に統合し解釈する上で、現在のAIモデルに対する重大な課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-08-25T15:17:43Z) - Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - SGED: A Benchmark dataset for Performance Evaluation of Spiking Gesture
Emotion Recognition [12.396844568607522]
我々は、既存のデータセットの分析に基づいて、新しい同質なマルチモーダルジェスチャー感情認識データセットをラベル付けする。
本稿では,このデータセットに基づく擬似二重フローネットワークを提案し,このデータセットの適用可能性を検証する。
論文 参考訳（メタデータ） (2023-04-28T09:32:09Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳（メタデータ） (2022-10-07T17:56:53Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳（メタデータ） (2022-08-16T20:46:08Z) - A graph representation based on fluid diffusion model for multimodal
data analysis: theoretical aspects and enhanced community detection [14.601444144225875]
流体拡散に基づくグラフ定義の新しいモデルを提案する。
本手法は,マルチモーダルデータ解析において,コミュニティ検出のための最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-12-07T16:30:03Z) - A Variational Information Bottleneck Approach to Multi-Omics Data
Integration [98.6475134630792]
本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。
本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。
実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
論文 参考訳（メタデータ） (2021-02-05T06:05:39Z) - Informative Scene Decomposition for Crowd Analysis, Comparison and
Simulation Guidance [10.000622844914272]
群衆シミュレーションは、グラフィックを含むいくつかの分野において中心的なトピックである。
クラウドデータの急増に伴い、このようなボトルネックに対処する必要がある。
この問題に包括的に対処する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-04-29T12:03:32Z)
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。