論文の概要: NARA: Anchor-Conditioned Relation-Aware Contextualization of Heterogeneous Geoentities

• arxiv url: http://arxiv.org/abs/2605.12276v1
• Date: Tue, 12 May 2026 15:37:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.973109
• Title: NARA: Anchor-Conditioned Relation-Aware Contextualization of Heterogeneous Geoentities
• Title（参考訳）: ナラ:不均質な地形の文脈化を意識したアンカー・コンディション付き関係-
• Authors: Jina Kim, Gengchen Mai, Lingyi Zhao, Khurram Shafique, Yao-Yi Chiang,
• Abstract要約: ベクトル空間の自己教師型フレームワークであるNARA(Neural Anchor-conditioned Relation-Aware representation learning)を提案する。 NARAは、統合されたフレームワーク内で意味論、幾何学、空間関係を共同でモデル化することで、文脈依存の表現を学ぶ。
• 参考スコア（独自算出の注目度）: 10.545074153193701
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Geospatial foundation models have primarily focused on raster data such as satellite imagery, where self-supervised learning has been widely studied. Vector geospatial data instead represent the world as discrete geoentities with explicit geometry, semantics, and structured spatial relations, including metric proximity and topological relationships. These relations jointly determine how entities interact within space, yet existing representation learning methods remain fragmented, often restricted to specific geometry types or partial spatial relations, limiting their ability to capture unified spatial context across heterogeneous geoentities. We propose NARA (Neural Anchor-conditioned Relation-Aware representation learning), a self-supervised framework for vector geoentities. NARA learns context-dependent representations by jointly modeling semantics, geometry, and spatial relations within a unified framework and captures relational spatial structure beyond proximity alone, enabling rich contextualized representations across heterogeneous geoentities of points, polylines, and polygons. Evaluation on building function classification, traffic speed prediction, and next point-of-interest recommendation shows consistent improvements over prior methods, highlighting the benefit of unified relational modeling for vector geospatial data.
• Abstract（参考訳）: 地理空間基盤モデルは、主に衛星画像などのラスタデータに焦点を当てており、セルフ教師付き学習が広く研究されている。 ベクトル地理空間データ(Vector geospatial data)は、地理的近接性やトポロジカルな関係を含む、明示的な幾何学、意味論、構造化された空間関係を持つ離散的な地理的空間として世界を表す。 これらの関係は、実体が空間内でどのように相互作用するかを共同で決定するが、既存の表現学習法は断片化され続け、しばしば特定の幾何学タイプや部分空間関係に制限され、不均一な空間空間的コンテキストを捕捉する能力を制限する。 ベクトル空間の自己教師型フレームワークであるNARA(Neural Anchor-conditioned Relation-Aware representation learning)を提案する。 NARAは、統合されたフレームワーク内で意味論、幾何学、空間関係を共同でモデル化してコンテキスト依存表現を学習し、近距離以外の関係空間構造をキャプチャし、点、ポリライン、ポリゴンの異質な空間にわたってリッチな文脈化表現を可能にする。 ビル機能分類,交通速度予測,次点推薦の評価は,従来の手法よりも一貫した改善を示し,ベクトル地理空間データに対する統合的リレーショナルモデリングの利点を強調した。

関連論文リスト

• GeoMeld: Toward Semantically Grounded Foundation Models for Remote Sensing [33.72621953693859]
  GeoMeldは大規模なマルチモーダルデータセットで、約250万個の空間的に整列したサンプルがある。 GeoMeldは、エージェントキャプションフレームワークを通じて意味論的に基盤付けられた言語管理を提供する。 GeoMeld-FMは、アライメントされたモダリティ、JEPA表現学習、キャプション-ビジョンのコントラストアライメントを多言語で表した自動エンコーディングを組み合わせた事前トレーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-04-12T11:47:11Z)
• OpenEarthAgent: A Unified Framework for Tool-Augmented Geospatial Agents [68.85365034738534]
  本稿では,衛星画像,自然言語クエリ,詳細な推論トレースに基づいて学習したツール拡張された地理空間エージェントを開発するための統一的なフレームワークを提案する。 トレーニングパイプラインは、構造化推論軌道上の教師付き微調整に依存し、モデルを検証された多段階ツールの相互作用と整合させる。 付随コーパスは、14,538のトレーニングと1,169の評価インスタンスから構成され、トレーニングスプリットでは100K以上の推論ステップ、評価スプリットでは7K以上の推論ステップがある。
  論文  参考訳（メタデータ） (2026-02-19T18:59:54Z)
• GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
  本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。 従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
  論文  参考訳（メタデータ） (2026-02-13T04:48:05Z)
• Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
  我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。 特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。 その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-05T18:59:32Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations [4.302482081136594]
  本研究では、空間的推論において、よく知られたテクスト(WKT)表現とその空間的関係が保持される範囲について検討する。 我々のワークフローは、比較のための空間的推論タスクを完成させるために、3つの異なるアプローチを採用している。
  論文  参考訳（メタデータ） (2025-05-22T05:21:31Z)
• Geometric Feature Enhanced Knowledge Graph Embedding and Spatial Reasoning [8.561588656662419]
  Geospatial Knowledge Graphs (GeoKGs) は地理と空間関係を相互にモデル化する。 一般的な知識グラフ埋め込み(KGE)技術のような、GeoKGからの採掘と推論のための既存の手法は、認識を欠いている。 本研究の目的は,新しい戦略を開発し,空間関係の幾何学的特徴を統合することで汎用KGEを強化することである。
  論文  参考訳（メタデータ） (2024-10-24T00:53:48Z)
• SpaBERT: A Pretrained Language Model from Geographic Data for Geo-Entity Representation [25.52363878314735]
  SpaBERTは、地理空間データ内の隣接するエンティティに基づいた汎用的なジオエンタリティ表現を提供する。 SpaBERTは、マスク付き言語モデリングとマスク付きエンティティ予測タスクで事前訓練されている。 SpaBERTを2つの下流タスク、ジオエンティタイピングとジオエンティリンクに適用する。
  論文  参考訳（メタデータ） (2022-10-21T19:42:32Z)
• Positional Encoder Graph Neural Networks for Geographic Data [1.840220263320992]
  グラフニューラルネットワーク(GNN)は、連続空間データをモデリングするための強力でスケーラブルなソリューションを提供する。 本稿では,空間コンテキストと相関関係をモデルに明示的に組み込んだ新しいフレームワークPE-GNNを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:41:49Z)

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。