論文の概要: MoRAX: Mobility-based Representation Augmentation for Geospatial Foundation Models

• arxiv url: http://arxiv.org/abs/2608.17848v1
• Date: Tue, 18 Aug 2026 14:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.369731
• Title: MoRAX: Mobility-based Representation Augmentation for Geospatial Foundation Models
• Title（参考訳）: MoRAX:地理空間モデルのためのモビリティに基づく表現強化
• Abstract要約: MoRAXは、人間の移動性から派生した機能構造を持つ地理空間埋め込みを増強するためのフレームワークである。 2つの国にまたがる4つの都市で、MoRAXの教師モデルはGFMと強力な都市表現ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 0.37650120899162426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geospatial Foundation Models (GFMs) are emerging as a powerful paradigm for learning semantically rich and geographically consistent visual and physical representations. However, their reliance on Earth-observation (EO) data leaves information about human activity largely underrepresented. Human mobility data reveals the functional and relational structure between regions that is missing from EO data, but is often limited only to the city where it is observed, making it challenging to use for transferable urban representation learning. We introduce MoRAX, a lightweight framework for augmenting geospatial embeddings with functional structure derived from human mobility. MoRAX preserves the coverage and consistency of a GFM while providing information about the functional connectivity among urban regions, permitting zero-shot deployment in unseen cities with or without available mobility data. Across four target cities spanning two countries, the MoRAX teacher model, which observes mobility, consistently outperforms GFMs and strong urban representation baselines in eight socioeconomic and environmental prediction tasks. Meanwhile, the student model, which never takes mobility data as input, approaches the teacher in performance on most tasks. Transfer results across countries further demonstrate that modulation conditioned on mobility flows provides a general mechanism for grounding geospatial foundations in the human dimension of cities.
• Abstract（参考訳）: Geospatial Foundation Models (GFMs) は、意味的にリッチで地理的に一貫した視覚的および物理的表現を学ぶための強力なパラダイムとして出現している。 しかし、地球観測(EO)データへの依存は、人間の活動に関する情報はほとんど表現されていない。 人間のモビリティデータは、EOデータから欠落する地域間の機能的・関係的構造を明らかにするが、しばしば観測される都市に限られるため、移動可能な都市表現学習に利用することは困難である。 人間の移動性から導かれる機能構造を持つ地理空間埋め込みを増強するための軽量なフレームワークであるMoRAXを紹介する。 MoRAXは、都市部間の機能的接続に関する情報を提供しながら、GFMのカバレッジと一貫性を保ち、モビリティーデータが利用可能なかどうかに関わらず、見えない都市でのゼロショット展開を可能にする。 2つの国にまたがる4つの都市で、モビリティを観察するMoRAX教師モデルは、社会経済・環境予測の8つのタスクにおいて、GFMと強力な都市表現ベースラインを一貫して上回っている。 一方、モビリティデータを入力として受け取らない学生モデルは、ほとんどのタスクにおけるパフォーマンスの教師にアプローチする。 さらに、移動フローに条件付けされた変調が、都市の人的次元における地理空間基盤の基盤となる一般的なメカニズムを提供することを示す。

関連論文リスト

• JiuTian Chuanliu: A Large Spatiotemporal Model for General-purpose Dynamic Urban Sensing [31.475610263075904]
  本稿では,都市センシングのためのGDHME(General-purpose and Dynamic Human Mobility Embedding)というフレームワークを紹介する。 ステージ1では、GDHMEは人や地域を動的グラフ内のノードとして扱う。 自己回帰型自己教師型タスクは、汎用ノード埋め込みの学習をガイドするために特別に設計されている。
  論文  参考訳（メタデータ） (2025-10-26T10:04:28Z)
• Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
  アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。 近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。 MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
  論文  参考訳（メタデータ） (2025-10-18T15:59:09Z)
• Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models [44.99833362998488]
  通勤情報記録を信頼性・包括的情報源として利用して都市間の移動ネットワークを構築することを提案する。 ノードの特徴を考慮せずに,モビリティネットワーク構造が重要な予測性能を提供することを示す。 米国の12の主要都市で行った実験では、提案されたモデルが従来の機械学習モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-07-05T12:38:59Z)
• Exploring the effect of spatial scales in studying urban mobility pattern [0.0]
  本稿では,シンガポールにおける公共交通機関の流動データを用いた都市移動パターンの説明において,空間スケールが重力モデルの性能に与える影響を考察する。 その結果,重力モデルが最適である最適中間空間スケールの存在が示唆された。
  論文  参考訳（メタデータ） (2025-06-20T05:39:39Z)
• Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion [11.332722237426987]
  ユニバーサルな人体移動のための基盤モデルフレームワークを提案する。 制限に対処するために、クロスドメインデータ融合と大きな言語モデルを活用します。 我々のフレームワークはドメイン転送技術による適応性を実証する。
  論文  参考訳（メタデータ） (2025-03-20T01:41:28Z)
• 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)
• Joint Estimation and Prediction of City-wide Delivery Demand: A Large Language Model Empowered Graph-based Learning Approach [40.357070798871675]
  電子商取引と都市化の進展は、都市部における配送業務を著しく強化した。 データ駆動予測手法、特に機械学習技術を利用した手法は、これらの複雑さを扱うために登場した。 本稿では,この問題を伝達可能なグラフ時間に基づく学習タスクとして定式化する。 中国とアメリカの8都市を含む2つの実世界の配送データセットに関する総合的な実証的評価結果から、我々のモデルは、精度、効率、転送性において最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-08-30T12:56:17Z)
• Deep Activity Model: A Generative Approach for Human Mobility Pattern Synthesis [11.90100976089832]
  我々は,人間の移動性モデリングと合成のための新しい生成的深層学習手法を開発した。 オープンソースのデータを使って、アクティビティパターンとロケーショントラジェクトリの両方を組み込む。 モデルはローカルデータで微調整できるため、さまざまな領域にわたるモビリティパターンを正確に表現することができる。
  論文  参考訳（メタデータ） (2024-05-24T02:04:10Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Generating Synthetic Mobility Networks with Generative Adversarial Networks [3.3528341717949197]
  MoGANは、GAN(Generative Adversarial Networks)に基づいて、現実的なモビリティネットワークを生成するモデルである。 我々は、自転車とタクシーの公共データセットの実験を行い、MoGANが古典的な重力・放射線モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-22T16:59:35Z)
• Multi-Graph Fusion Networks for Urban Region Embedding [40.97361959702485]
  ヒトの移動データから都市部の埋め込みを学習することで、地域の機能を明らかにすることができ、犯罪予測のような相関性はあるものの異なるタスクを可能にする。 クロスドメイン予測タスクを実現するために,MGFN(Multi-graph fusion Network)を提案する。 実験の結果、提案されたMGFNは最先端の手法よりも最大12.35%優れていた。
  論文  参考訳（メタデータ） (2022-01-24T15:48:50Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)

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。