論文の概要: MARCUS: Missing-Aware Region Representation with Contextual Urban Signals for Rent Prediction

• arxiv url: http://arxiv.org/abs/2608.18546v1
• Date: Wed, 19 Aug 2026 05:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.284034
• Title: MARCUS: Missing-Aware Region Representation with Contextual Urban Signals for Rent Prediction
• Title（参考訳）: MARCUS:レント予測のための文脈的都市信号を用いた未認識領域表現
• Abstract要約: MARCUSは、欠落を文脈的都市信号として扱う、欠落を意識した地域表現モデルである。 シドニーとニューヨークにおける実世界のデータセットを用いて,長期的傾向と季節変動の課題である予測のレンタルにMARCUSを適用した。
• 参考スコア（独自算出の注目度）: 12.344215542020265
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multimodal urban data has expanded the applications of urban region representation learning, such as functional zone identification and real estate appraisal, but also introduces challenges caused by data incompleteness. Existing studies usually handle missing data through imputation, treating missingness as noise while ignoring its potential semantic value. To address this issue, we propose MARCUS, a missing-aware region representation model that treats missingness as a contextual urban signal. MARCUS models missingness in three stages: Intra Learning jointly encodes observed features and missing patterns, Inter Learning estimates modality reliability to guide cross-modal interaction, and Fusion uses missing-aware and time-aware gating to generate the final region embedding. We apply MARCUS to rent prediction, a task with long-term trends and seasonal fluctuations, using real-world datasets from Sydney and New York. Experimental results show that MARCUS achieves state-of-the-art performance, reducing MAE by 51.35% on Sydney and 12.62% on New York compared with the best baselines. Additional experiments, including an imputation-based ablation study and randomized additional-missingness analysis, further demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: マルチモーダル都市データは,機能的ゾーン識別や不動産評価などの都市領域表現学習の応用を拡大するとともに,データ不完全性による課題も導入している。 既存の研究は通常、欠落したデータを計算によって処理し、潜在的な意味的価値を無視しながら、欠落をノイズとして扱う。 この問題に対処するために,欠損を文脈的都市信号として扱う領域表現モデル MARCUS を提案する。 イントララーニングは観察された特徴と欠落パターンを共同で符号化し、インターラーニングはクロスモーダルなインタラクションをガイドするためにモダリティの信頼性を推定し、Fusionは欠落認識とタイムアウェアのゲーティングを使用して最終領域の埋め込みを生成する。 シドニーとニューヨークにおける実世界のデータセットを用いて,長期的傾向と季節変動の課題である予測のレンタルにMARCUSを適用した。 実験の結果、MARCUSは最先端のパフォーマンスを達成し、シドニーでは51.35%、ニューヨークでは12.62%削減した。 計算に基づくアブレーション研究や無作為的な追加ミス解析を含む追加実験は、提案手法の有効性をさらに実証する。

関連論文リスト

• An Empirical Evaluation of Cross-City POI Recommendation on a Large-Scale Benchmark [55.73054722370559]
  都市横断点(POI)勧告は、慣れない都市環境をナビゲートするために重要である。 小さいベンチマークで得られた結論が、まだ世界規模でカバーされているか、住宅先が低いか、大きな意味的にリッチなPOI在庫が重複しているかを再検討する。
  論文  参考訳（メタデータ） (2026-08-28T02:16:33Z)
• Multi-Agent Collaborative Reasoning with Tool-Augmented Evidence for Urban Region Profiling [31.71830721319945]
  都市域のプロファイリングは、人口推定、経済評価、環境モニタリングなどの応用をサポートする。 本稿では,都市域のプロファイリングを推論問題として再編成するエージェントフレームワークであるUrbanAgentを提案する。 炭素排出量、GDP、人口推定のためのグローバルな都市データセットの実験は、UrbanAgentが既存のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-15T08:01:42Z)
• Missing Data in Signal Processing and Machine Learning: Models, Methods and Modern Approaches [49.431846265898486]
  このチュートリアルの目的は、信号処理(SP)と機械学習(ML)の実践者に、その質問に答えるための重要なツールを提供することだ。
  論文  参考訳（メタデータ） (2025-06-02T13:58:36Z)
• MARGE: Improving Math Reasoning for LLMs with Guided Exploration [31.311075009100048]
  大規模言語モデル(LLM)は、数学的推論において強い可能性を示すが、その有効性は高品質なクエリの不足によって制限されることが多い。 textbfMath textbfReasoning with textbfGuided textbfExploration。 MARGEは、自己生成ソリューションに由来する中間的推論状態を体系的に探索し、適切な探索と信用割当の改善を可能にする。
  論文  参考訳（メタデータ） (2025-05-18T17:24:16Z)
• Multimodal Contrastive Learning of Urban Space Representations from POI Data [2.695321027513952]
  CaLLiPer (Contrastive Language-Location Pre-training) は連続的な都市空間をベクトル表現に埋め込む表現学習モデルである。 ロンドンにおける都市空間表現の学習に適用し,CaLLiPerの有効性を検証する。
  論文  参考訳（メタデータ） (2024-11-09T16:24:07Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning for Robust Forecasting and Security [12.8405655328298]
  既存のメソッドは、ノイズ、データ不完全性、セキュリティ脆弱性といった問題に悩まされることが多い。 本稿では,EUPAS(Adversarial Self-Supervised Learning)を用いた都市域プロファイリング手法を提案する。 EUPASは、犯罪予測、チェックイン予測、土地利用分類などの様々な予測タスクにおいて、堅牢なパフォーマンスを保証する。
  論文  参考訳（メタデータ） (2024-02-02T06:06:45Z)
• RadOcc: Learning Cross-Modality Occupancy Knowledge through Rendering Assisted Distillation [50.35403070279804]
  マルチビュー画像を用いた3次元シーンの占有状況とセマンティクスを推定することを目的とした,新たな課題である3D占有予測手法を提案する。 本稿では,RandOccを提案する。Rendering Assisted distillation paradigm for 3D Occupancy prediction。
  論文  参考訳（メタデータ） (2023-12-19T03:39:56Z)
• 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)
• Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation [3.2489082010225494]
  都市交通データは、測定不足につながる不完全な傾向があります。 交通の都市的・時間的側面を考慮したCANDECOMP/AFAC(CP)完成手法を提案する。 提案手法は,最先端cpアプローチと比較して26%,最先端生成モデルベースアプローチでは35%の有効回復性能を提供する。
  論文  参考訳（メタデータ） (2021-03-12T16:07:23Z)
• A Novel CNN-LSTM-based Approach to Predict Urban Expansion [1.2233362977312943]
  時系列リモートセンシングデータは、幅広いアプリケーションで使用できる豊富な情報ソースを提供します。 本稿では,時系列衛星画像を用いた都市拡大予測の課題について論じる。 都市の拡大を予測するためのセマンティックイメージ分割に基づく新しい2ステップアプローチを提案する。
  論文  参考訳（メタデータ） (2021-03-02T12:58:05Z)
• Hidden Footprints: Learning Contextual Walkability from 3D Human Trails [70.01257397390361]
  現在のデータセットは、人々がどこにいるか、どこにいるかを教えてくれません。 まず、画像間で人の観察を伝播させ、3D情報を利用して、私たちが「隠れ足跡」と呼ぶものを作成することで、有効なラベル付き歩行可能領域の集合を拡大する。 このようなスパースラベルのために設計されたトレーニング戦略を考案し、クラスバランスの分類損失と文脈逆転損失を組み合わせた。
  論文  参考訳（メタデータ） (2020-08-19T23:19:08Z)

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。