論文の概要: Hierarchical Frequency-Decomposition Graph Neural Networks for Road Network Representation Learning

• arxiv url: http://arxiv.org/abs/2511.12507v1
• Date: Sun, 16 Nov 2025 08:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.286584
• Title: Hierarchical Frequency-Decomposition Graph Neural Networks for Road Network Representation Learning
• Title（参考訳）: 道路網表現学習のための階層型周波数分解グラフニューラルネットワーク
• Authors: Jingtian Ma, Jingyuan Wang, Leong Hou U,
• Abstract要約: 道路網は、インテリジェント交通システムとその関連アプリケーションを支える重要なインフラである。 HiFiNetは、空間およびスペクトルモデリングを統一する新しい階層型周波数分解グラフニューラルネットワークである。
• 参考スコア（独自算出の注目度）: 17.71971203386826
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Road networks are critical infrastructures underpinning intelligent transportation systems and their related applications. Effective representation learning of road networks remains challenging due to the complex interplay between spatial structures and frequency characteristics in traffic patterns. Existing graph neural networks for modeling road networks predominantly fall into two paradigms: spatial-based methods that capture local topology but tend to over-smooth representations, and spectral-based methods that analyze global frequency components but often overlook localized variations. This spatial-spectral misalignment limits their modeling capacity for road networks exhibiting both coarse global trends and fine-grained local fluctuations. To bridge this gap, we propose HiFiNet, a novel hierarchical frequency-decomposition graph neural network that unifies spatial and spectral modeling. HiFiNet constructs a multi-level hierarchy of virtual nodes to enable localized frequency analysis, and employs a decomposition-updating-reconstruction framework with a topology-aware graph transformer to separately model and fuse low- and high-frequency signals. Theoretically justified and empirically validated on multiple real-world datasets across four downstream tasks, HiFiNet demonstrates superior performance and generalization ability in capturing effective road network representations.
• Abstract（参考訳）: 道路網は、インテリジェント交通システムとその関連アプリケーションを支える重要なインフラである。 交通パターンの空間構造と周波数特性の複雑な相互作用により,道路網の効果的な表現学習は依然として困難である。 既存の道路ネットワークをモデル化するためのグラフニューラルネットワークは主に、局所的なトポロジをキャプチャするが、過度に滑らかな表現をする空間的手法と、グローバルな周波数成分を分析するスペクトル的手法の2つのパラダイムに分類される。 この空間スペクトルのミスアライメントは、粗いグローバルトレンドときめ細かい局所的なゆらぎの両方を示す道路網のモデリング能力を制限する。 このギャップを埋めるために、空間とスペクトルのモデリングを統一する新しい階層型周波数分解グラフニューラルネットワークHiFiNetを提案する。 HiFiNetは、ローカライズされた周波数分析を可能にするために仮想ノードのマルチレベル階層を構築し、トポロジ対応グラフ変換器を備えた分解・更新・再構成フレームワークを使用して、低周波信号と高周波信号の分離と融合を行う。 HiFiNetは、4つの下流タスクにわたる複数の実世界のデータセットに対して理論的に正当化され、実証的に検証され、効率的な道路ネットワーク表現をキャプチャする上で、優れたパフォーマンスと一般化能力を示す。

関連論文リスト

• MSRFormer: Road Network Representation Learning using Multi-scale Feature Fusion of Heterogeneous Spatial Interactions [18.883574280859147]
  本稿では,新しい道路ネットワーク表現学習フレームワークであるMSRFormerを提案する。 空間流の畳み込みを用いて、大きな軌跡データセットから小さな特徴を抽出する。 道路ネットワークの空間構造を捉えるために,スケール依存の空間相互作用領域を同定する。
  論文  参考訳（メタデータ） (2025-09-06T11:19:13Z)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• NetDiff: Deep Graph Denoising Diffusion for Ad Hoc Network Topology Generation [1.6768151308423371]
  本稿では,無線アドホックネットワークリンクトポロジを生成する拡散確率的アーキテクチャを記述したグラフであるNetDiffを紹介する。 この結果から,生成したリンクは現実的であり,データセットグラフに類似した構造的特性を有しており,操作するには小さな修正と検証ステップのみが必要であることがわかった。
  論文  参考訳（メタデータ） (2024-10-09T15:39:49Z)
• Traffic Prediction considering Multiple Levels of Spatial-temporal Information: A Multi-scale Graph Wavelet-based Approach [3.343804744266258]
  本研究では,複雑な交通ネットワークにおける交通状態を予測するためのグラフウェーブレット時間畳み込みネットワーク(MSGWTCN)を提案する。 シアトルのハイウェイネットワークやニューヨーク市マンハッタンの高密度道路ネットワークなど、モデルのパフォーマンスを調べるために、2つの実世界のデータセットが使用されている。
  論文  参考訳（メタデータ） (2024-06-18T20:05:47Z)
• Global-Aware Enhanced Spatial-Temporal Graph Recurrent Networks: A New Framework For Traffic Flow Prediction [9.363958811186647]
  本稿では,空間時空間グラフリカレントニューラルネットワークとグローバル認知層を組み合わせた新しい交通予測フレームワークを提案する。 シーケンス対応グラフニューラルネットワークを提案し,GRU(Gated Recurrent Unit)に統合し,異なる時間ステップで非固定グラフを学習する。 4つの実トラフィックデータセットについて広範な実験を行い、その結果、我々のフレームワークと3つの具体的なモデルの優位性を実証した。
  論文  参考訳（メタデータ） (2024-01-07T05:28:36Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Multi-agent Reinforcement Learning with Graph Q-Networks for Antenna Tuning [60.94661435297309]
  モバイルネットワークの規模は、手作業による介入や手作業による戦略を使ってアンテナパラメータの最適化を困難にしている。 本研究では,モバイルネットワーク構成をグローバルに最適化するマルチエージェント強化学習アルゴリズムを提案する。 シミュレーション環境におけるアンテナ傾き調整問題とジョイント傾き・電力制御問題に対するアルゴリズムの性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-01-20T17:06:34Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。