論文の概要: PlacePulse: Learning Transferable Place Representations from Structural Geographic Data

• arxiv url: http://arxiv.org/abs/2610.13390v1
• Date: Fri, 09 Oct 2026 11:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.545141
• Title: PlacePulse: Learning Transferable Place Representations from Structural Geographic Data
• Title（参考訳）: PlacePulse: 構造的地理データから移動可能な場所表現を学習する
• Abstract要約: 地理空間機械学習は、しばしば社会デマグラフィー、ビジネス、環境変数の大規模なコレクションよりもタスク固有の特徴工学に依存している。 場所の静的な構造構成を、細かな空間分解能で伝達可能な埋め込みとして表すモデルはほとんどない。 そこでPlacePulseは572の属性を256次元の単位ノルム埋め込みに圧縮する構造空間基盤モデルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Geospatial machine learning often depends on task-specific feature engineering over large collections of sociodemographic, business, and environmental variables. Geospatial foundation models offer reusable representations of place, but leading approaches typically encode dynamic signals, such as mobility and search activity, or visual signals from satellite imagery. Few models represent the static structural composition of places (who lives and works there, which businesses operate there, and which risks they face) as transferable embeddings at fine spatial resolution. We introduce PlacePulse, a structural geospatial foundation model that compresses 572 attributes, expanded to 2,288 inputs through H3 neighborhood aggregates, into 256-dimensional unit-norm embeddings for 1,055,537 H3 resolution-7 cells in the United States. We also introduce a reusable two-axis benchmark that separates intrinsic representation quality from downstream predictive utility across multiple targets and spatial supports. Intrinsically, the embeddings reconstruct standardized inputs with mean $R^2 = 0.853$, use 251 of 256 approximately decorrelated dimensions, and show strong spatial organization, with Moran's $I = 0.93$ on the leading principal component and autocorrelation persisting beyond the input radius. Extrinsically, across 74 held-out targets from 12 external sources and four spatial supports, PlacePulse outperforms a dimensionality-matched feature-selection baseline on targets unrelated to the training inputs and is competitive with Google's Population Dynamics Foundation Model, leading on health, economic, election, economic-mobility and social-vulnerability outcomes, with relative strengths that vary by domain. These findings position structural composition as a distinct and complementary modality for geospatial foundation models, not simply a fallback where behavioral or imagery data are unavailable.
• Abstract（参考訳）: 地理空間機械学習は、しばしば社会デマグラフィー、ビジネス、環境変数の大規模なコレクションよりもタスク固有の特徴工学に依存している。 地理空間基盤モデルは、場所の再利用可能な表現を提供するが、主要なアプローチは、モビリティや探索活動、衛星画像からの視覚信号などの動的な信号を典型的に符号化する。 企業はそこで活動し、どのリスクに直面しているか)の静的な構造構成を、細かな空間分解能で移動可能な埋め込みとして表現するモデルは少ない。 そこで我々は,572の属性を圧縮した構造空間基盤モデルPlacePulseを,H3近傍の集合体を介して2,288個の入力に拡張し,合衆国の1,055,537個のH3分解能7セルに対して256次元単位ノルム埋め込みに拡張した。 また,複数の目標と空間的支援にまたがる下流予測ユーティリティから固有表現品質を分離する再利用可能な2軸ベンチマークを導入する。 本質的には、埋め込みは標準入力を平均$R^2 = 0.853$で再構成し、256の約デコリック次元の251個を使用し、Moran's $I = 0.93$を主成分とし、入力半径を超える自己相関を示す。 本質的には、12の外部ソースと4つの空間的サポートから74の保持対象に対して、PlacePulseはトレーニングインプットとは無関係なターゲットに対して、ディメンタリティに適合した特徴選択ベースラインを上回り、GoogleのPopulation Dynamics Foundation Modelと競合する。 これらの知見は, 構造組成を地理空間基盤モデルにおいて, 行動データや画像データが利用できないフォールバックではなく, 明瞭かつ相補的なモダリティとして位置づけた。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Evolving Spatial Weights for Cartographic Synthesis [34.00232821914697]
  本研究では,空間自己相関構造に基づく地図合成の多目的定式化を提案する。 我々は,グローバル空間構造を最大化することにより,層重みを推定する双方向進化フレームワークGIS-moGAを開発した。 その結果,集団多様性の維持と早期収束の予防には高い突然変異率が重要であることが示された。
  論文  参考訳（メタデータ） (2026-06-20T22:34:29Z)
• SEMASIA: A Large-Scale Dataset of Semantically Structured Latent Representations [12.185380843937196]
  約1,700個の事前学習された視覚モデルから抽出した潜在表現の大規模コレクションであるSEMASIAを紹介する。 個々の潜在空間の概念的構造を解析し、一貫したプロトタイプのようなクラスタリングを示す。 プレトレーニングデータの複雑性,特殊化,伝達学習,拡張,モデルスケールが,埋め込みの幾何学的および探索的特性とどのように関係しているかを,大規模回帰分析により解析する。
  論文  参考訳（メタデータ） (2026-05-10T11:42:36Z)
• From Perception to Action: Spatial AI Agents and World Models [0.0]
  エージェント能力と空間的タスクをスケールにわたって結合する統合3軸分類法を提案する。 我々の分析では、これらの軸にマッピングされた3つの重要な発見が明らかになった。 6つの大きな課題を特定し、今後の研究の方向性を概説する。
  論文  参考訳（メタデータ） (2026-02-02T05:00:55Z)
• SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models [73.19077622773075]
  本稿では,空間知能を段階的に構築するための包括的方法論を提案する。 オブジェクトローカライゼーション、単一画像、マルチビュー、ビデオ空間推論タスクにまたがる26,610のサンプルを含むマルチモーダルデータセットであるSpatialLadder-26kを紹介する。 本研究では,物体の局所化による空間知覚の確立,多次元空間的タスクによる空間理解の発達,および検証可能な報酬を用いた強化学習による複雑な推論の強化を目的とした3段階のプログレッシブ・トレーニング・フレームワークを設計する。
  論文  参考訳（メタデータ） (2025-10-09T17:50:54Z)
• PlaceFM: A Training-free Geospatial Foundation Model of Places using Large-Scale Point of Interest Data [0.5735035463793009]
  PlaceFMは、トレーニング不要のクラスタリングベースのアプローチを通じて、プレース表現をキャプチャする。 placeFMは、米国Foursquareのデータから構築された関心グラフの全点をまとめたものだ。 placeFMは、興味のある場所を自動的に識別しながら、汎用的な領域埋め込みを生成する。 placeFMは、大規模POIグラフ上の領域レベルの表現を生成する際に、最大100倍のスピードアップを達成する。
  論文  参考訳（メタデータ） (2025-06-25T15:10:31Z)
• MobCLIP: Learning General-purpose Geospatial Representation at Scale [0.7224497621488285]
  全国初の汎用位置情報エンコーダであるMobCLIPについて紹介する。 新たなCLIPベースのアーキテクチャを採用することで、1億以上のPOI、全国的なリモートセンシング画像、および10億のエッジモビリティグラフによる構造化された人口統計を調整できる。 我々は,MobCLIPが最先端モデルよりも平均35%優れた汎用予測性能を実現することを示した。
  論文  参考訳（メタデータ） (2025-06-02T04:14:03Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)

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。