論文の概要: LEON: Location Embeddings from OSM Neighborhoods via Hexagonal Graph Masked Autoencoders

• arxiv url: http://arxiv.org/abs/2610.05497v1
• Date: Sun, 04 Oct 2026 20:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:23:40.295065
• Title: LEON: Location Embeddings from OSM Neighborhoods via Hexagonal Graph Masked Autoencoders
• Title（参考訳）: LEON:ヘキサゴナルグラフマスケードオートエンコーダによるOSM近隣の位置情報埋め込み
• Abstract要約: 本稿では,空間的領域表現学習にグラフマスク付きオートエンコーダ(Graphmasked Autoencoders, GraphMAE)を適用した,新しい自己教師型フレームワークであるLEONを紹介する。 我々は、EuroSAT衛星画像分類や様々な地理的予測タスクを含む複数の実世界のデータセット上でLEONを評価する。
• 参考スコア（独自算出の注目度）: 36.13312126497128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Geographic information systems increasingly rely on sophisticated spatial representation learning techniques to extract meaningful patterns from complex geospatial data. This paper introduces LEON, a novel self-supervised framework that adapts Graph Masked Autoencoders (GraphMAE) for geospatial region representation learning. Our method leverages the inherent spatial structure of geographic data by constructing hexagonal grid graphs using H3 indexing and applying masked autoencoding techniques to learn robust spatial embeddings from OpenStreetMap (OSM) amenity distribution patterns. We evaluate LEON on multiple real-world datasets including EuroSAT satellite imagery classification and various geographic prediction tasks (housing prices, crime prediction, and urban analytics). Experimental results demonstrate that LEON achieves significant improvements in spatial understanding, with up to 1.87% accuracy improvement on EuroSAT classification and consistent performance gains across geographic prediction benchmarks. The learned embeddings exhibit highly structured and distinct properties, making them particularly suitable for downstream spatial analysis tasks. Our findings suggest that self-supervised learning provides an effective paradigm for geospatial region representation learning using widely available crowdsourced data.
• Abstract（参考訳）: 地理情報システムは、複雑な地理空間データから意味のあるパターンを抽出する洗練された空間表現学習技術にますます依存している。 本稿では,空間的領域表現学習にグラフマスク付きオートエンコーダ(Graphmasked Autoencoders, GraphMAE)を適用した新しい自己教師型フレームワークであるLEONを紹介する。 提案手法は,H3インデクシングを用いた六角格子グラフの構築とマスク付き自動符号化技術を用いて,OpenStreetMap(OSM)アメニティ分布パターンからロバストな空間埋め込みを学習することにより,地理的データ固有の空間構造を利用する。 本研究では,EuroSAT衛星画像分類や様々な地理的予測タスク(住宅価格,犯罪予測,都市分析)を含む実世界の複数のデータセット上でLEONを評価する。 実験の結果、LEONは空間理解の大幅な改善を達成し、EuroSAT分類における最大1.87%の精度向上と地理的予測ベンチマークにおける一貫した性能向上を実現している。 学習された埋め込みは高度に構造化され、異なる性質を示し、下流の空間分析タスクに特に適している。 この結果から, 自己教師型学習は, 広く利用可能なクラウドソースデータを用いた地理空間表現学習に有効なパラダイムであることが示唆された。

関連論文リスト

• Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
  動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。 日表面PM2.5を衛星観測と地上観測により推定した。 以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
  論文  参考訳（メタデータ） (2025-05-24T02:00:34Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• TorchSpatial: A Location Encoding Framework and Benchmark for Spatial Representation Learning [36.725822223732635]
  位置(ポイント)エンコーディングのための学習フレームワークとベンチマークであるTorchSpatialを提案する。 TorchSpatialには3つの重要なコンポーネントが含まれている: 1) 一般的に認識されている15のロケーションエンコーダを統合する統合されたロケーションエンコーダフレームワーク、2) LocBenchベンチマークタスクは7つのジオアウェアイメージ分類と10のジオアウェアイメージ回帰データセットを含む。
  論文  参考訳（メタデータ） (2024-06-21T21:33:16Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• Cross-view Geo-localization via Learning Disentangled Geometric Layout Correspondence [11.823147814005411]
  クロスビュージオローカライゼーションは、参照ジオタグ付き空中画像データベースとマッチングすることで、クエリーグラウンド画像の位置を推定することを目的としている。 最近の研究は、クロスビューなジオローカライゼーションベンチマークにおいて顕著な進歩を遂げている。 しかし、既存の手法は依然としてクロスエリアベンチマークのパフォーマンスの低下に悩まされている。
  論文  参考訳（メタデータ） (2022-12-08T04:54:01Z)
• 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)

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。