論文の概要: Rethinking Multi-View Fusion for Urban Representation Learning

• arxiv url: http://arxiv.org/abs/2610.31850v2
• Date: Tue, 27 Oct 2026 07:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.333677
• Title: Rethinking Multi-View Fusion for Urban Representation Learning
• Title（参考訳）: 都市表現学習のための多視点融合の再考
• Abstract要約: 都市域表現学習は、下流タスクのための統合埋め込みに異質な都市信号を符号化する。 既存のアプローチは、グローバルな共有融合と共同最適化に依存している。 適応型多視点学習のための自己調整フレームワークであるPRISMを提案する。
• 参考スコア（独自算出の注目度）: 24.168230882915253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban region representation learning encodes heterogeneous urban signals, such as mobility flows, points of interest, and land-use patterns, into unified embeddings for downstream tasks, including check-in prediction, crime forecasting, and service demand estimation. Existing approaches rely on globally shared fusion and joint optimization, implicitly assuming uniform modality importance and naturally balanced multi-objective training. However, urban data is inherently heterogeneous. Our empirical analysis reveals two structural issues: (i) modality utility varies markedly across regions, causing static fusion to overemphasize signals from certain modalities; and (ii) heterogeneous objectives exhibit persistent gradient imbalance, causing representational bias and unstable training. We present PRISM, a self-adjusting framework for adaptive multi-view learning. PRISM adapts sparse Mixture-of-Experts (MoE) routing to learn region-specific view allocations, while a Proportional-Integral-Derivative (PID)-inspired regulation mechanism mitigates gradient conflicts during optimization. Experiments on three large-scale urban datasets show that PRISM achieves more competitive performance than strong multi-view baselines, while providing more stable optimization behavior and more balanced region representations.
• Abstract（参考訳）: 都市域表現学習は、モビリティフロー、関心点、土地利用パターンなどの異種都市信号を、チェックイン予測、犯罪予測、サービス需要推定などの下流タスクに統一的な埋め込みに符号化する。 既存のアプローチは、グローバルな共有融合と共同最適化に依存しており、一様モダリティの重要性と自然にバランスの取れた多目的トレーニングを暗黙的に仮定している。 しかし、都市データは本質的に異質である。 私たちの経験的分析は2つの構造的問題を明らかにします。 (i)モダリティの効用は地域によって顕著に変化し、一定のモダリティからの信号を過度に強調する静的融合を引き起こします。 (II)不均一な目的は、持続的な勾配不均衡を示し、表現バイアスと不安定な訓練を引き起こす。 適応型多視点学習のための自己調整フレームワークであるPRISMを提案する。 PRISMは、領域固有のビューアロケーションを学習するためにスパース・ミックス・オブ・エクササイズ(MoE)ルーティングに適応する一方、PID(Proportional-Integral-Derivative)にインスパイアされた規制機構は、最適化中に勾配競合を緩和する。 3つの大規模都市データセットの実験により、PRISMは強力なマルチビューベースラインよりも高い競争性能を達成し、より安定した最適化挙動とよりバランスの取れた領域表現を提供することが示された。

関連論文リスト

• When Correlations Mislead: Confounder-Aware Multi-View Urban Region Representation Learning [16.301090791658545]
  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。
  論文  参考訳（メタデータ） (2026-09-14T09:53:56Z)
• 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)
• Improving Generalization and Robustness in Offline Reinforcement Learning via Boundary-Aware Data Augmentation [7.646713951724011]
  現在のオフライン強化学習(ORL)アルゴリズムは、トレーニングデータセットに過度に適合し、実際の環境にデプロイする際の分散の一般化とロバスト性のパフォーマンスが低い傾向にある。 本稿では,近隣の状態を有効活用して境界を構築する手法として,bfB$oundary-$bfA$ware $bfD$ata $bfA$ugmentation (BADA)を提案する。
  論文  参考訳（メタデータ） (2026-08-22T10:52:59Z)
• 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)
• SEED: Targeted Data Selection by Weighted Independent Set [76.68391670109433]
  我々はSEEDと呼ばれる堅牢でスケーラブルなデータ選択パイプラインを開発した。 SEEDは、命令チューニング、視覚的命令チューニング、セマンティックセグメンテーションにおける最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-15T07:26:54Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Unified Enhancement of the Generalization and Robustness of Language Models via Bi-Stage Optimization [2.502393972789905]
  本稿では,LMの一般化とロバスト性の両方を均一に向上する二段階最適化フレームワークを提案する。 提案手法は,従来の手法と比較して,LMの一般化とロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-03-19T13:50:36Z)
• 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)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。