論文の概要: UrbanVerse: Learning Urban Region Representation Across Cities and Tasks

• arxiv url: http://arxiv.org/abs/2602.15750v1
• Date: Tue, 17 Feb 2026 17:28:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.140064
• Title: UrbanVerse: Learning Urban Region Representation Across Cities and Tasks
• Title（参考訳）: UrbanVerse: 都市と課題における都市部表現の学習
• Authors: Fengze Sun, Egemen Tanin, Shanika Karunasekera, Zuqing Li, Flora D. Salim, Jianzhong Qi,
• Abstract要約: UrbanVerseは、都市横断的な都市表現学習と都市横断的な都市分析のためのモデルである。 都市横断の一般化のために、UrbanVerseは都市全体ではなく、対象地域と近隣地域の構造的特徴に焦点を絞っている。 実世界のデータセットの実験によると、UrbanVerseは、都市間設定下での6つのタスクで、最先端のメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 18.711357897379283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in urban region representation learning have enabled a wide range of applications in urban analytics, yet existing methods remain limited in their capabilities to generalize across cities and analytic tasks. We aim to generalize urban representation learning beyond city- and task-specific settings, towards a foundation-style model for urban analytics. To this end, we propose UrbanVerse, a model for cross-city urban representation learning and cross-task urban analytics. For cross-city generalization, UrbanVerse focuses on features local to the target regions and structural features of the nearby regions rather than the entire city. We model regions as nodes on a graph, which enables a random walk-based procedure to form "sequences of regions" that reflect both local and neighborhood structural features for urban region representation learning. For cross-task generalization, we propose a cross-task learning module named HCondDiffCT. This module integrates region-conditioned prior knowledge and task-conditioned semantics into the diffusion process to jointly model multiple downstream urban prediction tasks. HCondDiffCT is generic. It can also be integrated with existing urban representation learning models to enhance their downstream task effectiveness. Experiments on real-world datasets show that UrbanVerse consistently outperforms state-of-the-art methods across six tasks under cross-city settings, achieving up to 35.89% improvements in prediction accuracy.
• Abstract（参考訳）: 近年の都市域表現学習の進歩により、都市分析の幅広い応用が可能となったが、既存の手法は、都市全体の一般化や分析タスクに限られている。 本研究の目的は、都市分析の基礎的なモデルに向けて、都市やタスク固有の設定を超えて都市表現学習を一般化することである。 そこで我々は,都市間都市表現学習と都市横断分析のためのモデルであるUrbanVerseを提案する。 都市横断の一般化のために、UrbanVerseは都市全体ではなく、対象地域と近隣地域の構造的特徴に焦点を絞っている。 地域をグラフ上のノードとしてモデル化することで、ランダムなウォークベースの手順で、都市部表現学習の局所的特徴と近傍的特徴の両方を反映した「地域列」を作成できる。 クロスタスクの一般化のために,HCondDiffCTというクロスタスク学習モジュールを提案する。 このモジュールは、領域条件付き事前知識とタスク条件付きセマンティクスを拡散プロセスに統合し、複数の下流都市予測タスクを共同でモデル化する。 HCondDiffCTはジェネリックです。 また、既存の都市表現学習モデルと統合して、下流タスクの有効性を高めることもできる。 実世界のデータセットの実験では、UrbanVerseは、都市間設定下で6つのタスクの最先端メソッドを一貫して上回り、予測精度を最大35.89%改善している。

関連論文リスト

• UrbanMoE: A Sparse Multi-Modal Mixture-of-Experts Framework for Multi-Task Urban Region Profiling [47.568568425459716]
  我々は,マルチタスク都市域プロファイリングのベンチマークを開発し,マルチモーダルな特徴と強力なベースラインの多種多様なセットを特徴とする。 次に,マルチタスクの課題を解決するために構築された,最初のスパースなマルチモーダル・マルチエキスパートフレームワークであるUrbanMoEを提案する。 ベンチマークでは,UrbanMoEがすべてのベースラインに対して常に優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-30T09:25:05Z)
• Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
  アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。 近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。 MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
  論文  参考訳（メタデータ） (2025-10-18T15:59:09Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• Urban Region Pre-training and Prompting: A Graph-based Approach [10.375941950028938]
  我々は、地域表現学習のためのtextbfG$raph-based $textbfU$rban $textbfR$egion $textbfP$re-training と $textbfP$rompting フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-12T05:00:23Z)
• Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for Cross-City Semantic Segmentation using High-Resolution Domain Adaptation Networks [82.82866901799565]
  我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。 単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。 高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
  論文  参考訳（メタデータ） (2023-09-26T23:55:39Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)

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。