論文の概要: When Correlations Mislead: Confounder-Aware Multi-View Urban Region Representation Learning

• arxiv url: http://arxiv.org/abs/2609.15305v1
• Date: Mon, 14 Sep 2026 09:53:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.232136
• Title: When Correlations Mislead: Confounder-Aware Multi-View Urban Region Representation Learning
• Title（参考訳）: 相関の誤解: 共同ファウンダーがマルチビュー都市部表現学習を実践する
• Abstract要約: 我々は,多視点都市域表現学習のための共同設立支援フレームワークCUREを提案する。 CUREは各ビューをその地域グラフ構造でエンコードし、共有潜在コンポーネントを推定し、ビュー間の相互作用の前にその投影された影響を減少させる。 3つの実世界の都市での実験では、CUREは予測性能を改善し、不在でノイズの多いインプットビューの下で頑健であり、共有コンポーネント分離とコンテキスト依存ビュー重み付けによる信頼性の高いクロスビュー統合を提供する。
• 参考スコア（独自算出の注目度）: 16.301090791658545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban region representation learning commonly combines heterogeneous data sources, such as mobility flows, points of interest, and land-use information, to support tasks including mobility analysis, public safety forecasting, and service demand estimation. Existing multi-view methods typically improve region embeddings by strengthening interactions across views. However, such methods often overlook view-specific regional structures and may propagate correlations induced by shared latent factors, which can reduce the stability of downstream predictions. To overcome this major limitation, we propose CURE, a confounder-aware framework for multi-view urban region representation learning. CURE first encodes each view with its regional graph structure, estimates a shared latent component, and then reduces its projected influence before cross-view interaction. A hierarchical graph-aware fusion module subsequently aggregates the residual view representations using local and global regional contexts Experiments on three real-world cities show that CURE improves predictive performance, remains robust under missing and noisy input views, and provides reliable cross-view integration through shared component separation and context-dependent view weighting.
• Abstract（参考訳）: 都市域表現学習は、モビリティ分析、公共安全予測、サービス需要推定などのタスクを支援するために、モビリティフロー、関心点、土地利用情報などの異種データソースを一般的に組み合わせている。 既存のマルチビュー手法は、ビュー間の相互作用を強化することにより、領域の埋め込みを改善するのが一般的である。 しかし、このような手法はしばしばビュー固有の地域構造を見落とし、共有潜在因子によって引き起こされる相関を伝播させ、下流予測の安定性を低下させる。 この大きな制限を克服するために,多視点都市域表現学習のための共同設立支援フレームワークCUREを提案する。 CUREはまず各ビューをその地域グラフ構造でエンコードし、共有潜在コンポーネントを推定し、その後、ビュー間の相互作用の前に予測される影響を減少させる。 階層的なグラフ認識融合モジュールは、その後、局所的およびグローバルな地域コンテキストを用いて、残留ビューの表現を集約する。 3つの実世界の都市での実験では、CUREは予測性能を改善し、欠落した、ノイズの多い入力ビューの下で頑健であり、共有コンポーネント分離とコンテキスト依存ビュー重み付けによる信頼性の高いクロスビュー統合を提供する。

関連論文リスト

• Synergistic Fusion of Topological Structure and Temporal Semantics of Mobility for Urban Region Embedding [5.609514491713238]
  都市部の埋め込みは、犯罪、収入、サービスコール予測などの多様な都市感覚タスクにおいて有望な結果を示している。 本稿では、モビリティデータから相補的なビューを導出するモビリティストリーム・ストラクチャー・シナジー(MoSS)を提案する。 MoSSは、モビリティデータだけで3つの下流タスクにまたがる最先端のパフォーマンスを達成し、補助的なモダリティに依存するベースラインよりも優れています。
  論文  参考訳（メタデータ） (2026-09-08T05:22:58Z)
• InfluenceField: A Differentiable Field with Interventionally Identifiable Causal Structure for Multimodal World Modeling [8.383772213181853]
  InfluenceFieldは視覚エンコーダと言語デコーダの間に挿入される介入対応の潜伏フィールドである。 パッチの特徴を連続した空間表現に引き上げ、複数のステップに対して指示された影響を伝播し、局所的な介入効果を予測する。 CausalVQAでは、InfluenceFieldはバックボーン全体の精度を13.1ポイント改善している。
  論文  参考訳（メタデータ） (2026-09-07T18:36:20Z)
• Deep Incomplete Multi-view Clustering with Distribution Dual-Consistency Recovery Guidance [69.58609684008964]
  本稿では,distriBution dUal-Consistency Recovery Guidanceを用いた不完全なマルチビュークラスタリング手法であるBURGを提案する。 我々は,各サンプルを別カテゴリとして扱い,欠落したビューの分布空間を予測するために,クロスビュー配信を行う。 信頼性の高いカテゴリ情報の欠如を補うために,隣り合った整合性によって案内されるビュー内アライメントと,プロトタイプ的な整合性によって案内されるクロスビューアライメントを含む二重整合性ガイド付きリカバリ戦略を設計する。
  論文  参考訳（メタデータ） (2025-03-14T02:27:45Z)
• 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)
• 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)
• Urban Region Embedding via Multi-View Contrastive Prediction [22.164358462563996]
  さまざまなビューにまたがる一貫性のある表現を学ぶために、新しいパイプラインを構築します。 本モデルは,都市部における表現学習において,最先端のベースライン手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-15T10:53:09Z)
• Unified Domain Adaptive Semantic Segmentation [105.05235403072021]
  Unsupervised Adaptive Domain Semantic (UDA-SS)は、ラベル付きソースドメインからラベル付きターゲットドメインに監督を移すことを目的としている。 本稿では,特徴量と特徴量との相違に対処するQuad-directional Mixup(QuadMix)法を提案する。 提案手法は,4つの挑戦的UDA-SSベンチマークにおいて,最先端の成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2023-11-22T09:18:49Z)
• Attentive Graph Enhanced Region Representation Learning [7.4106801792345705]
  都市部を正確にかつ包括的に表現することは,様々な都市計画・分析業務に不可欠である。 本研究では,複数のグラフから包括的依存関係を抽出し,都市域のリッチな意味表現を学習することを目的としたAttentive Graph Enhanced Region Representation Learning (ATGRL)モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:38:43Z)
• Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
  場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。 空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。 SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。 SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
  論文  参考訳（メタデータ） (2023-06-15T07:48:32Z)
• Urban Region Profiling via A Multi-Graph Representation Learning Framework [0.0]
  本研究では,都市域のプロファイリングのための多グラフ代表学習フレームワークであるRerea2Vecを提案する。 実世界のデータセットの実験によると、Rerea2Vecは3つのアプリケーションで使用でき、最先端のベースラインをすべて上回っている。
  論文  参考訳（メタデータ） (2022-02-04T11:05:37Z)
• A Variational Information Bottleneck Approach to Multi-Omics Data Integration [98.6475134630792]
  本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。 本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。 実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
  論文  参考訳（メタデータ） (2021-02-05T06:05:39Z)
• Agglomerative Neural Networks for Multi-view Clustering [109.55325971050154]
  本稿では,最適コンセンサスを近似する凝集分析法を提案する。 本稿では,制約付きラプラシアンランクに基づくANN(Agglomerative Neural Network)を用いて,マルチビューデータをクラスタリングする。 4つの一般的なデータセットに対する最先端のマルチビュークラスタリング手法に対する我々の評価は、ANNの有望なビュー・コンセンサス分析能力を示している。
  論文  参考訳（メタデータ） (2020-05-12T05:39:10Z)

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。