論文の概要: Comparative Evaluation of Neural Network Architectures for Generalizable Human Spatial Preference Prediction in Unseen Built Environments

• arxiv url: http://arxiv.org/abs/2510.10954v1
• Date: Mon, 13 Oct 2025 03:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.168658
• Title: Comparative Evaluation of Neural Network Architectures for Generalizable Human Spatial Preference Prediction in Unseen Built Environments
• Title（参考訳）: 目に見えない建築環境における一般化可能な空間的嗜好予測のためのニューラルネットワークアーキテクチャの比較評価
• Authors: Maral Doctorarastoo, Katherine A. Flanigan, Mario Bergés, Christopher McComb,
• Abstract要約: 構築された環境における人間の空間的嗜好を予測する能力は、サイバー物理社会基盤システムの開発に有効である。 深層学習モデルは、複雑な空間的および文脈的依存関係の学習において有望であることを示している。 どのニューラルネットワークアーキテクチャが、目に見えないレイアウトに最も効果的であるかは、まだ不明である。
• 参考スコア（独自算出の注目度）: 1.411614392022118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The capacity to predict human spatial preferences within built environments is instrumental for developing Cyber-Physical-Social Infrastructure Systems (CPSIS). A significant challenge in this domain is the generalizability of preference models, particularly their efficacy in predicting preferences within environmental configurations not encountered during training. While deep learning models have shown promise in learning complex spatial and contextual dependencies, it remains unclear which neural network architectures are most effective at generalizing to unseen layouts. To address this, we conduct a comparative study of Graph Neural Networks, Convolutional Neural Networks, and standard feedforward Neural Networks using synthetic data generated from a simplified and synthetic pocket park environment. Beginning with this illustrative case study, allows for controlled analysis of each model's ability to transfer learned preference patterns to unseen spatial scenarios. The models are evaluated based on their capacity to predict preferences influenced by heterogeneous physical, environmental, and social features. Generalizability score is calculated using the area under the precision-recall curve for the seen and unseen layouts. This generalizability score is appropriate for imbalanced data, providing insights into the suitability of each neural network architecture for preference-aware human behavior modeling in unseen built environments.
• Abstract（参考訳）: 構築された環境における人間の空間的嗜好を予測する能力は、サイバー物理社会基盤システム(CPSIS)の開発に有効である。 この領域における重要な課題は、選好モデルの一般化可能性、特に訓練中に遭遇しない環境構成における選好を予測する効果である。 ディープラーニングモデルは複雑な空間的およびコンテキスト的依存関係を学習する上で有望であることを示しているが、どのニューラルネットワークアーキテクチャが、目に見えないレイアウトを一般化するのに最も効果的であるかは、まだ不明である。 そこで我々は, 簡易で合成されたポケットパーク環境から生成された合成データを用いて, グラフニューラルネットワーク, 畳み込みニューラルネットワーク, 標準フィードフォワードニューラルネットワークの比較研究を行った。 この実証的なケーススタディから、各モデルの学習された嗜好パターンを見えない空間シナリオに転送する能力について、制御された分析が可能になる。 モデルは、異質な物理的、環境的、社会的特徴に影響される嗜好を予測する能力に基づいて評価される。 一般化可能性スコアは、目に見えるレイアウトと見えないレイアウトの精度・リコール曲線の下の領域を用いて算出される。 この一般化可能性スコアは、不均衡なデータに適しており、見当たらない構築環境での、好みに敏感な人間の振る舞いモデリングのためのニューラルネットワークアーキテクチャの適合性に関する洞察を提供する。

関連論文リスト

• A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks [40.69150418258213]
  本稿では,ニューラルネットワークにおける空間推論能力の評価を目的とした,包括的なベンチマークフレームワークの定義に関する予備的な結果を示す。 このフレームワークは現在、nnU-Netの能力の研究に使われている。
  論文  参考訳（メタデータ） (2025-08-18T09:04:13Z)
• Rethinking Inductive Bias in Geographically Neural Network Weighted Regression [1.3597551064547502]
  この研究は、Geographically Neural Network Weighted Regressionの帰納バイアスを再考する。 局所受容場,逐次的文脈,自己意識を空間的回帰に導入する。 GNNWRは非線形空間関係や複雑な空間関係を捉える上で,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-14T06:13:18Z)
• Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
  本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。 我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。 ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
  論文  参考訳（メタデータ） (2023-05-26T04:34:28Z)
• A Local Optima Network Analysis of the Feedforward Neural Architecture Space [0.0]
  ローカルオプティマネットワーク(LON)解析は、候補解のフィットネスランドスケープの派生である。 LONは、ニューラルネットワークを分析し最適化する実行可能なパラダイムを提供することができる。
  論文  参考訳（メタデータ） (2022-06-02T08:09:17Z)
• Temporal Convolution Domain Adaptation Learning for Crops Growth Prediction [5.966652553573454]
  我々は、限られた作物データを用いて、作物の成長曲線を予測するために、ドメイン適応学習に基づく革新的なネットワークアーキテクチャを構築した。 私たちは、時間的畳み込みフィルタをバックボーンとして使用し、ドメイン適応ネットワークアーキテクチャを構築しました。 その結果,提案した時間的畳み込みに基づくネットワークアーキテクチャは,精度だけでなく,モデルサイズや収束率においても,すべてのベンチマークより優れていた。
  論文  参考訳（メタデータ） (2022-02-24T14:22:36Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。