論文の概要: Balancing multiscale similarity and cartographic constraints: A similarity-driven optimization framework for line generalization

• arxiv url: http://arxiv.org/abs/2607.25474v1
• Date: Tue, 28 Jul 2026 09:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.781855
• Title: Balancing multiscale similarity and cartographic constraints: A similarity-driven optimization framework for line generalization
• Title（参考訳）: 複数スケールの類似性と地図的制約のバランスをとる:線一般化のための類似性駆動最適化フレームワーク
• Authors: Pengbo Li, Haowen Yan, Xiaomin Lu, Binbin Lin,
• Abstract要約: 本研究は、制約付きマルチスケール類似度最適化問題として、地図一般化を定式化する。 適応的一般化制御のための類似性駆動型フレームワークを提案する。 実験の結果,提案フレームワークは類似性保存と地図抽象の効果的なバランスを達成できることがわかった。
• 参考スコア（独自算出の注目度）: 13.221982393951734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cartographic generalization is essential for generating multiscale map representations by balancing information preservation and cartographic readability. However, automated generalization remains challenging because existing approaches often treat spatial similarity evaluation, cartographic constraints, and parameter optimization as separate processes, limiting adaptive and interpretable control across scales. This study formulates cartographic generalization as a constrained multiscale similarity optimization problem and proposes a similarity-driven framework for adaptive generalization control. The framework integrates multiscale spatial similarity as an optimization objective to quantify representation consistency between original and generalized data, while incorporating cartographic constraints to regulate readability, smoothness, and geometric validity. A unified objective function is optimized to automatically identify scale-dependent parameter configurations for different generalization algorithms. Experiments using multiple line simplification algorithms, target scales, and similarity measures, including geometric, structural, and learning-based metrics, demonstrate that the proposed framework achieves an effective balance between similarity preservation and cartographic abstraction. The results further show that combining similarity optimization with cartographic constraints provides more consistent and interpretable parameter control than relying on similarity evaluation alone. This study provides a unified optimization perspective that connects similarity assessment, constraint modeling, and algorithm control, contributing to adaptive and automated cartographic generalization.
• Abstract（参考訳）: 地図情報保存と地図可読性のバランスをとることで,マルチスケールの地図表現を生成するためには,地図の一般化が不可欠である。 しかし,従来の手法では空間的類似性評価や地図的制約,パラメータ最適化を別プロセスとして扱うことが多く,適応性や解釈性に制限があるため,自動一般化は依然として困難である。 本研究では,制約付きマルチスケール類似度最適化問題として地図一般化を定式化し,適応的一般化制御のための類似度駆動型フレームワークを提案する。 このフレームワークは, 可読性, 滑らか性, 幾何学的妥当性を規定するために, 地図的制約を取り入れつつ, 原データと一般化データの表現一貫性を定量化するための最適化目的として, マルチスケール空間類似性を統合している。 統一目的関数は、異なる一般化アルゴリズムのためのスケール依存パラメータ構成を自動的に識別するために最適化される。 幾何的, 構造的, 学習に基づくメトリクスを含む, 複数行の簡易化アルゴリズム, 目標スケール, 類似度尺度を用いた実験により, 提案手法が類似度保存と地図抽象の効果的なバランスを達成できることが実証された。 さらに、類似度最適化と地図的制約を組み合わせることで、類似度評価のみに依存するよりも、より一貫性があり、解釈可能なパラメータ制御が実現できることを示す。 本研究は、類似性評価、制約モデリング、アルゴリズム制御を結合する統一最適化の視点を提供し、適応的かつ自動化された地図一般化に寄与する。

関連論文リスト

• From Coefficients to Directions: Rethinking Model Merging with Directional Alignment [66.99062575537555]
  パラメータと特徴空間の両面に一貫した方向構造を整列する,方向アライメント付きemphMerging(method)という統一幾何学的枠組みを導入する。 分析の結果、指向性アライメントは構造的コヒーレンスを改善し、ベンチマーク、モデルスケール、タスク構成にまたがる広範な実験により、我々のアプローチの有効性がさらに検証された。
  論文  参考訳（メタデータ） (2025-11-29T08:40:58Z)
• $A^2$GC: $A$symmetric $A$ggregation with Geometric Constraints for Locally Aggregated Descriptors [6.392844932864485]
  本稿では,局所的に集約された記述子に対する幾何学的制約を持つ非対称アグリゲーションVPR法($A2$GC-VPR)を提案する。 視覚的位置認識における分布の相違に適応する非対称なマッチングを可能にする。
  論文  参考訳（メタデータ） (2025-11-18T03:47:48Z)
• Map Feature Perception Metric for Map Generation Quality Assessment and Loss Optimization [2.311323886036968]
  本研究では,合成地図と対象地図のグローバルな特徴と空間的整合性を評価するために考案された新しいマップ特徴量について紹介する。 本手法は、地図構造的整合性とトポロジ的関係を包括的にエンコードする要素レベルの深い特徴を抽出する。
  論文  参考訳（メタデータ） (2025-03-30T09:07:09Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Clusterpath Gaussian Graphical Modeling [0.0]
  ガウス図形モデル(CGGM)のクラスタパス推定器について紹介する。 変数をまとめてグループ化すると、ブロック構造的精度行列が生成される。 我々はCGGMが一致しただけでなく、しばしばグラフィカルモデルにおける変数クラスタリングの他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-30T10:11:18Z)
• A Hierarchical Federated Learning Approach for the Internet of Things [3.28418927821443]
  大規模IoTデプロイメントに適した新しいフェデレーション学習ソリューションQHetFedを提案する。 我々は,QHetFedが常に高い学習精度を達成し,他の階層的アルゴリズムよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-03T15:40:24Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Stochastic batch size for adaptive regularization in deep network optimization [63.68104397173262]
  ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。 一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2020-04-14T07:54:53Z)
• Learning Flat Latent Manifolds with VAEs [16.725880610265378]
  本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。 我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。 提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-12T09:54:52Z)

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。