論文の概要: Heterogeneous Graph Importance Scoring and Clustering with Automated LLM-based Interpretation
- arxiv url: http://arxiv.org/abs/2605.02919v1
- Date: Thu, 09 Apr 2026 18:34:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.524772
- Title: Heterogeneous Graph Importance Scoring and Clustering with Automated LLM-based Interpretation
- Title（参考訳）: LLMに基づく自動解釈による不均一グラフ重要度スコアリングとクラスタリング
- Abstract要約: 都市橋網は重要なインフラであり、交通、緊急サービス、経済活動に深刻な影響を及ぼす可能性がある。
本稿では,異種グラフ解析,教師なしクラスタリング,大規模言語モデル(LLM)による自動解釈を通じて,橋梁の重要度を評価するための包括的方法論を提案する。
提案手法は,(1)オープンデータソースのみを用いた多次元橋梁重要度定量化,(2)異なる都市にまたがる機能的橋梁アーチタイプ発見,(3)政策関連解釈の自動生成という3つの基本的な課題に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban bridge networks are critical infrastructure whose disruption can cascade into severe impacts on transportation, emergency services, and economic activity. This paper presents a comprehensive methodology for assessing bridge importance through heterogeneous graph analysis, unsupervised clustering, and automated interpretation via large language models (LLMs). Our approach addresses three fundamental challenges: (1) quantifying multi-dimensional bridge importance using only open data sources, (2) discovering functional bridge archetypes across different cities, and (3) generating policy-relevant interpretations automatically. We construct heterogeneous graphs from OpenStreetMap (OSM) data incorporating bridges, road networks, buildings, and public facilities. Five social impact indicators are computed: transit desert score, hospital access score, isolation risk score, supply chain impact score, and green space access score. These 52-dimensional feature vectors undergo dimensionality reduction via UMAP and density-based clustering via HDBSCAN. Discovered clusters are interpreted using temperature-optimized LLMs (Elyza8b, trained on construction domain corpus). (1) A complete open-data pipeline from OSM to actionable bridge importance rankings, (2) a five-indicator scoring methodology with 40$\times$ computational optimization, (3) a UMAP+HDBSCAN clustering framework validated on multi-city data, (4) an LLM interpretation methodology including temperature optimization and model selection rationale, and (5) transferability demonstration across cities via configuration-only adaptation.
- Abstract（参考訳）: 都市橋網は重要なインフラであり、交通、緊急サービス、経済活動に深刻な影響を及ぼす可能性がある。
本稿では,異種グラフ解析,教師なしクラスタリング,大規模言語モデル(LLM)による自動解釈を通じて,橋梁の重要度を評価するための包括的方法論を提案する。
提案手法は,(1)オープンデータソースのみを用いた多次元橋梁重要度定量化,(2)異なる都市にまたがる機能的橋梁アーチタイプ発見,(3)政策関連解釈の自動生成という3つの基本的な課題に対処する。
橋梁,道路網,建物,公共施設を組み込んだOpenStreetMap(OSM)データから異種グラフを構築した。
5つの社会的影響指標(トランジットデザートスコア、病院アクセススコア、隔離リスクスコア、サプライチェーンインパクトスコア、グリーンスペースアクセススコア)が計算される。
これらの52次元特徴ベクトルは、UMAPおよびHDBSCANによる密度に基づくクラスタリングにより次元還元される。
温度最適化LDM (Elyza8b, training on construction domain corpus) を用いて, 発見クラスタを解釈する。
1) OSM から行動可能なブリッジ重要度ランキングまでの完全なオープンデータパイプライン,(2) 40$\times$計算最適化による5指標評価手法,(3) 多都市データを用いた UMAP+HDBSCANクラスタリングフレームワーク,(4) 温度最適化とモデル選択合理性を含む LLM 解釈手法,(5) 構成限定適応による都市間の転送可能性実証。
関連論文リスト
- Urban Power Grid Topology and Hierarchy Identification from Open Data [53.468443050795344]
本稿では,都市電力グリッドトポロジの同定のためのオープンデータ駆動型フレームワークを開発する。
公共インフラのデータ(電力線、サブステーション、トランスフォーマー、ポール)を融合して、高電圧と中電圧のスケルトンをマッピングします。
次に、OpenStreetMap上の地理空間機械学習を活用して、電力需要クラスタをグループ化する。
我々は、7,330の建物と主要な電力インフラ資産をつなぐ完全なグリッドトポロジを再構築する。
論文 参考訳（メタデータ） (2026-06-19T11:51:38Z) - Bridge-Centered Metapath Classification Using R-GCN-VGAE for Disaster-Resilient Maintenance Decisions [0.0]
我々は高速道路から橋から建物へのメタパスに着目し,道路,橋梁,建築層を備えた異質なグラフを構築した。
リレーショナル中心グラフ畳み込みネットワーク変分オートエンコーダはメタパスに基づく特徴表現を学習する。
水戸(697橋)、筑西(258橋)、守屋(148橋)の3都市における方法論の検証を行った。
論文 参考訳（メタデータ） (2026-04-20T15:21:11Z) - Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。
グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。
グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文 参考訳（メタデータ） (2026-01-13T03:35:18Z) - Wireless Traffic Prediction with Large Language Model [54.07581399989292]
TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。
TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。
この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
論文 参考訳（メタデータ） (2025-12-19T04:47:40Z) - RoadMind: Towards a Geospatial AI Expert for Disaster Response [6.038207189709353]
大規模言語モデル(LLM)は、様々な自然言語タスクで顕著なパフォーマンスを示しているが、地理空間データについて推論する能力には制限がある。
OpenStreetMap (OSM) の構造化データを用いて LLM の地理空間的推論能力を向上させる自己教師型フレームワークである RoadMind を提案する。
以上の結果から,先進的なプログレッシブ・エンジニアリングを備えた最先端のLLMを含む,強力なベースラインをはるかに上回るモデルが得られた。
論文 参考訳（メタデータ） (2025-09-18T09:46:55Z) - InterKey: Cross-modal Intersection Keypoints for Global Localization on OpenStreetMap [7.975038003192725]
OpenStreetMap (OSM)は、無償でグローバルに利用可能な代替手段を提供するが、その粗い抽象化は、センサーデータとマッチングする上での課題を提起する。
道路交差点をグローバルなローカライゼーションの目立ったランドマークとして活用するクロスモーダルなフレームワークであるInterKeyを提案する。
本手法は,道路を共同で符号化し,点群とOSMからのインプリントを構築することで,コンパクトなバイナリ記述子を構築する。
論文 参考訳（メタデータ） (2025-09-17T09:46:57Z) - Empowering Bridge Digital Twins by Bridging the Data Gap with a Unified Synthesis Framework [6.238251307666132]
本稿では,3次元ブリッジデータを生成するための体系的枠組みを提案する。
コンポーネントレベルのインスタンスアノテーション、高忠実度カラー、正確な正規ベクトルを特徴とするポイントクラウドを自動的に生成できる。
実世界のブリッジセマンティックセマンティックセグメンテーションにおいて,合成データを用いてトレーニングしたPointNet++モデルにより,平均的なmIoU(Intersection over Union)が84.2%に達することを示す。
論文 参考訳（メタデータ） (2025-07-08T09:34:55Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Revisiting Link Prediction: A Data Perspective [59.296773787387224]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。
既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。
我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文 参考訳（メタデータ） (2023-10-01T21:09:59Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z)
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。