論文の概要: Towards Graph-Based Deep Learning for Map Generalization: Insights from Building Footprints Simplification and Aggregation

• arxiv url: http://arxiv.org/abs/2606.19956v1
• Date: Thu, 18 Jun 2026 08:55:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.747548
• Title: Towards Graph-Based Deep Learning for Map Generalization: Insights from Building Footprints Simplification and Aggregation
• Title（参考訳）: グラフに基づく深層学習とマップの一般化:―足跡構築の単純化と集約から―
• Authors: Yanning Wang, Zhiyong Zhou, Zhouyu Liu, Mengni Yu, Yu Feng,
• Abstract要約: 地図の一般化は、特に複雑な建物のフットプリントの単純化と集約のために、地図学における基本的な課題の1つである。 本研究は,グラフに基づく深層学習を両課題に応用した最初の探索的応用として,ノード移動予測としての単純化と,統合されたグラフ学習フレームワークにおけるリンク予測としての集約について述べる。
• 参考スコア（独自算出の注目度）: 4.632438840215843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Map generalization remains one of the fundamental tasks in cartography, especially for the simplification and aggregation of complex building footprints. This study presents the first exploratory application of graph-based deep learning to both tasks, reformulating simplification as node movement prediction and aggregation as link prediction within a unified graph learning framework. We evaluate representative graph neural network architectures (GCN, GAT, and GraphSAGE) on multi-scale building datasets, showing that GraphSAGE demonstrates relative strengths in link prediction accuracy, while also revealing persistent challenges in precise node movement prediction. Beyond quantitative performance, the results highlight that aggregation poses greater complexity and challenges than simplification, underscoring the difficulty of capturing higher-level spatial relationships in map generalization with current deep learning approaches. Although limitations such as data imbalance and the need for post-processing remain, the study provides valuable insights and methodological directions for advancing automated map generalization with deep learning approaches.
• Abstract（参考訳）: 地図の一般化は、特に複雑な建物のフットプリントの単純化と集約のために、地図学における基本的な課題の1つである。 本研究は,グラフに基づく深層学習を両課題に応用した最初の探索的応用として,ノード移動予測としての単純化と,統合されたグラフ学習フレームワークにおけるリンク予測としての集約について述べる。 我々は,グラフニューラルネットワークアーキテクチャ(GCN,GAT,GraphSAGE)をマルチスケールな構築データセット上で評価し,グラフSAGEがリンク予測精度の相対的な長所を示すとともに,正確なノード移動予測における永続的な課題を明らかにした。 定量的性能の他に、集約は単純化よりも複雑さと課題を増し、現在のディープラーニングアプローチによるマップ一般化における高次空間関係の取得が困難であることを強調した。 データ不均衡や後処理の必要性といった制限は残っているが、この研究は深層学習アプローチによる自動マップの一般化を進めるための貴重な洞察と方法論的方向性を提供する。

関連論文リスト

• Youtu-GraphRAG: Vertically Unified Agents for Graph Retrieval-Augmented Complex Reasoning [32.78218766121055]
  グラフ検索拡張生成(GraphRAG)は,複雑な推論において,大規模言語モデルを効果的に拡張した。 本稿では,フレームワーク全体を複雑な統合として結合する,垂直に統一されたエージェントパラダイムYoutu-GraphRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-27T13:13:20Z)
• Topology-Driven Attribute Recovery for Attribute Missing Graph Learning in Social Internet of Things [12.837094650472048]
  Social Internet of Things(SIoT)は、物理デバイスとソーシャルネットワークの統合を促進する。 TAGは、トポロジカルな構造とセマンティックな属性の両方を捉え、複雑な相互作用の分析を強化する。 AMG学習にトポロジ的データを活用するトポロジ駆動属性回復(TDAR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:23:42Z)
• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Mastering Spatial Graph Prediction of Road Networks [18.321172168775472]
  グラフエッジの列の追加をシミュレートするグラフベースのフレームワークを提案する。 特に、衛星画像に関連する部分生成グラフが与えられた場合、RLエージェントは累積報酬を最大化する修正を通知する。
  論文  参考訳（メタデータ） (2022-10-03T11:26:09Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。