論文の概要: CITYREP: A Unified Benchmark for Urban Representations Across Cities, Tasks, and Modalities

• arxiv url: http://arxiv.org/abs/2605.26036v1
• Date: Mon, 25 May 2026 17:03:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.532086
• Title: CITYREP: A Unified Benchmark for Urban Representations Across Cities, Tasks, and Modalities
• Title（参考訳）: CITYREP: 都市, 課題, モダリティ間の都市表現の統一ベンチマーク
• Authors: Junyuan Liu, Xinglei Wang, Zichao Zeng, Jiazhuang Feng, Quan Qin, Ilya Ilyankou, Guangsheng Dong, Tao Cheng,
• Abstract要約: CityRepは、空間的に構造化された分割を使用して、データモダリティ、都市、タスク間の都市表現を評価するベンチマークである。 その結果,確率的にスコアが膨らんだり,モデルランキングが変更されたりして,性能は分割プロトコルに非常に敏感であることがわかった。 CityRepは、公正な比較を容易にするために、データセット、評価パイプライン、診断ツールを備えた再現可能なベンチマークとしてリリースされた。
• 参考スコア（独自算出の注目度）: 0.8319452826580411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban representation learning encodes complex urban environments into general-purpose embeddings for diverse downstream tasks and emerging urban foundation models. However, current evaluations are limited, typically focusing on one or two cities and tasks and relying on random splits that introduce spatial leakage, leading to inflated performance and weak support for cross-location generalization and fair comparison. To address this, we propose CityRep, a unified benchmark that evaluates urban representations across data modalities, cities, and tasks using spatially structured splits. CityRep consists of three key components: (1) a spatial unit-agnostic evaluation framework that supports heterogeneous urban representations through a standardized alignment module; (2) a unified evaluation protocol using block-based spatial splits to mitigate spatial leakage and enable rigorous model comparison; and (3) an extensible multi-city, multi-task benchmark suite spanning 8 cities and 8 tasks across regression, classification, and distribution prediction. We evaluate 11 representative urban representation models. Results show that performance is highly sensitive to the split protocol, with random splits inflating scores and altering model rankings. We also observe substantial variability across cities and tasks, underscoring the need for generalization-aware evaluation. CityRep is released as a reproducible benchmark with datasets, evaluation pipelines, and diagnostic tools to facilitate fair comparison and support future research in urban representation learning towards urban foundation models.
• Abstract（参考訳）: 都市表現学習は、複雑な都市環境を様々な下流タスクと新興都市基盤モデルのための汎用的な埋め込みにエンコードする。 しかし、現在の評価は限られており、通常は1つか2つの都市やタスクに焦点をあて、空間リークをもたらすランダムな分割に依存しており、拡張性能とクロスロケーションの一般化と公正な比較に対する弱いサポートにつながっている。 そこで我々は,空間的に構造化された分割を用いたデータモダリティ,都市,タスク間の都市表現を評価する統一ベンチマークであるCityRepを提案する。 CityRepは,(1)標準化されたアライメントモジュールによる異種都市表現を支援する空間単位非依存評価フレームワーク,(2)空間リークを緩和し,厳密なモデル比較を可能にするブロックベースの空間分割を用いた統一評価プロトコル,(3)8都市8つのタスクにまたがる拡張可能なマルチタスクベンチマークスイートである。 我々は11の代表的な都市表現モデルを評価する。 その結果,確率的にスコアが膨らんだり,モデルランキングが変更されたりして,性能は分割プロトコルに非常に敏感であることがわかった。 また,都市やタスク間の大きな変動も観察し,一般化意識評価の必要性を浮き彫りにしている。 CityRepは、データセット、評価パイプライン、診断ツールを備えた再現可能なベンチマークとしてリリースされた。

関連論文リスト

• UrbanVerse: Learning Urban Region Representation Across Cities and Tasks [18.711357897379283]
  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。
  論文  参考訳（メタデータ） (2026-02-17T17:28:48Z)
• 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)
• 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)
• UrBench: A Comprehensive Benchmark for Evaluating Large Multimodal Models in Multi-View Urban Scenarios [60.492736455572015]
  複雑な多視点都市シナリオにおけるLMM評価のためのベンチマークであるUrBenchを提案する。 UrBenchには、リージョンレベルとロールレベルの両方で、厳密にキュレートされた11.6Kの質問が含まれている。 21のLMMに対する評価は、現在のLMMが都市環境においていくつかの面で苦戦していることを示している。
  論文  参考訳（メタデータ） (2024-08-30T13:13:35Z)
• 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)
• 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)

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。