論文の概要: Evaluating Graph Neural Networks for Change-Criticality Classification in Maritime Navigation Charts

• arxiv url: http://arxiv.org/abs/2609.02996v1
• Date: Wed, 02 Sep 2026 17:11:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.816571
• Title: Evaluating Graph Neural Networks for Change-Criticality Classification in Maritime Navigation Charts
• Title（参考訳）: 海図における変化臨界分類のためのグラフニューラルネットワークの評価
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造化データの学習に適したニューラルネットワークのクラスである。 空間データへのそれらの適用は自然な拡張であるが、どのメッセージパス操作、アーキテクチャ構成、グラフ表現が電子航法チャート(ENC)におけるオブジェクトの変更を分類するのに最も適しているかは、比較的不明確である。
• 参考スコア（独自算出の注目度）: 0.6803694299104661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are a class of neural networks suitable for learning on graph-structured data. Their application to spatial data is a natural extension, however its relatively unclear which message-passing operations, architectural configurations, and graph representation is best suited for classifying changes to objects in electronic navigational charts (ENCs)--geospatial vector datasets used for marine navigation. Maintaining these datasets is a challenge, and categorizing changes to objects in the ENC based on their significance to navigational safety is of particular importance. Here, we propose to represent these vector navigation datasets as a graph structure where the spatial objects serve as nodes and their spatial and semantic relationships form edges. We encode both the old ENC dataset and new ENC dataset into a pair of graphs and frame the task as a graph-pair classification problem. Building on this representation, we investigate the use of GNN architectures to classify whether the encoded graphs constitutes a critical or non-critical risk to navigational safety. We train and evaluate several GNN architectures and model configurations on ENC changes reviewed by maritime experts. Our results demonstrate that graph-based representations improve the classification of ENC updates, providing a scalable approach for automating or improving ENC maintenance workflows.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データの学習に適したニューラルネットワークのクラスである。 空間データへのそれらの適用は自然な拡張であるが、どのメッセージパス操作、アーキテクチャ構成、グラフ表現が電子航法チャート(ENC)におけるオブジェクトの変更を分類するのに最も適しているかは、比較的不明確である。 これらのデータセットを維持することは課題であり、ナビゲーションの安全性に対する重要性に基づいて、ECC内のオブジェクトの変更を分類することが特に重要である。 本稿では,これらのベクトルナビゲーションデータセットを,空間オブジェクトがノードとして機能し,空間的および意味的関係がエッジを形成するグラフ構造として表現する。 従来のEMCデータセットと新しいEMCデータセットの両方をグラフにエンコードし、タスクをグラフペア分類問題としてフレーム化する。 この表現に基づいて,GNNアーキテクチャを用いて,符号化されたグラフがナビゲーションの安全性の危機的・非クリティカルなリスクを構成するか否かを分類する。 いくつかのGNNアーキテクチャとモデル構成を、海洋専門家がレビューしたEMC変更に基づいて訓練し、評価する。 以上の結果から,グラフベースの表現はEMC更新の分類を改善し,EMCメンテナンスワークフローの自動化や改善のためのスケーラブルなアプローチを提供することが示された。

関連論文リスト

• Electronic Navigational Chart Change Classification [42.55259086694773]
  水路局にとって大きな課題は、あるチャートの変更が海洋安全に重大なリスクまたは非クリティカルなリスクをもたらすかどうかを決定することである。 本研究では,EMC変化の自動分類手法を提案する。 提案手法は2つの異なる運用データセットにまたがって評価する。
  論文  参考訳（メタデータ） (2026-08-20T16:14:02Z)
• GSAT: Graph Structure Attention Networks [6.546071689641213]
  グラフニューラルネットワーク(GNN)は、グラフ構造で表されるデータを処理する強力なツールとして登場した。 ノード近傍でリッチな局所位相情報を符号化する各ノードの構造表現は、しばしばモデリングで見過ごされる重要なタイプの特徴である。 本稿では、匿名ランダムウォーク(ARW)によってモデル化されたこれらの構造情報を活用し、グラフ構造注意ネットワーク(GSAT)を導入して、元の属性と構造表現を統合する。
  論文  参考訳（メタデータ） (2025-05-27T14:54:08Z)
• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Graph Attention Networks with Positional Embeddings [7.552100672006174]
  グラフニューラルネットワーク(GNN)は、ノード分類タスクにおける芸術的パフォーマンスの現在の状態を提供するディープラーニング手法である。 本論文では,GATを位置埋め込みで強化するフレームワークであるG Graph Attentional Networks with Positional Embeddings(GAT-POS)を提案する。 GAT-POSは、強いGNNベースラインや、非ホモフィルグラフ上の最近の構造埋め込み強化GNNと比較して著しく改善されている。
  論文  参考訳（メタデータ） (2021-05-09T22:13:46Z)
• Graph Information Bottleneck [77.21967740646784]
  グラフニューラルネットワーク(GNN)は、ネットワーク構造とノード機能から情報を融合する表現的な方法を提供する。 GIBは、一般的なInformation Bottleneck (IB) を継承し、与えられたタスクに対する最小限の表現を学習することを目的としている。 提案したモデルが最先端のグラフ防御モデルよりも堅牢であることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:13:00Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。