論文の概要: SpatialVec: A Unified Representation Learning Framework for Geospatial Objects with Boundary-Aware Sampling

• arxiv url: http://arxiv.org/abs/2611.00111v1
• Date: Wed, 28 Oct 2026 04:39:12 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:08:52.175257
• Title: SpatialVec: A Unified Representation Learning Framework for Geospatial Objects with Boundary-Aware Sampling
• Title（参考訳）: SpaceVec:境界認識サンプリングによる地理空間オブジェクトの統一表現学習フレームワーク
• Abstract要約: 本研究では境界認識型空間表現学習フレームワークであるSpatialVecを紹介する。 幾何再構成によって訓練されたトランスフォーマーベースのエンコーダデコーダは、コンパクトで幾何学的、統一された表現を生成する。 2つの実世界のデータセットに対する実証的な評価は、SpatialVecが挑戦的なトポロジカルな関係の保存を大幅に改善することを示している。
• 参考スコア（独自算出の注目度）: 2.2803118577209727
• License:
• Abstract: Spatial representation learning is essential for Geospatial Artificial Intelligence (GeoAI) applications, enabling machine learning models to capture the geometry, location, and spatial relationships of geographic entities such as points, polylines, and polygons. Existing spatial encoding methods often struggle to preserve fine-grained topological information, particularly for interactions involving complex geometries such as polylines and polygons. These approaches inadequately capture boundary structure and local spatial context, causing topology-sensitive relationships near geometry boundaries to be underrepresented in the learned embedding space. Consequently, accurately modeling complex spatial interactions remains a significant challenge for downstream spatial reasoning tasks. To fill the gap, we introduce SpatialVec, a boundary-aware spatial representation learning framework that adaptively samples geometry boundaries and their surrounding regions, capturing fine-grained geometric structures critical for topology-aware spatial reasoning. A transformer-based encoder-decoder trained through geometry reconstruction produces compact, geometry-aware, and unified representations for points, polylines, and polygons. Empirical evaluation on two real-world datasets shows that SpatialVec substantially improves the preservation of challenging topological relationships involving polygonal interactions and outperforms state-of-the-art baselines significantly on downstream prediction and classification tasks.
• Abstract（参考訳）: 空間表現学習は地理空間人工知能(GeoAI)の応用において不可欠であり、点、ポリライン、ポリゴンなどの地理的実体の幾何学、位置、空間的関係を機械学習モデルで捉えることができる。 既存の空間符号化法は、特にポリラインやポリゴンのような複雑な測地との相互作用において、微細なトポロジカルな情報を保存するのに苦労することが多い。 これらのアプローチは境界構造と局所的な空間的文脈を不適切に捉え、幾何学的境界付近のトポロジに敏感な関係を学習された埋め込み空間で表現することができない。 したがって、複雑な空間的相互作用を正確にモデル化することは、下流の空間的推論タスクにとって重要な課題である。 このギャップを埋めるために,空間表現学習フレームワークであるSpatialVecを導入する。このフレームワークは幾何学的境界とその周辺領域を適応的にサンプリングし,位相的空間推論に不可欠な微細な幾何学的構造を捉える。 幾何再構成によって訓練されたトランスフォーマーベースのエンコーダデコーダは、点、ポリライン、ポリゴンのコンパクトで幾何学的、統一された表現を生成する。 実世界の2つのデータセットに対する実証的な評価は、SpatialVecが多角形の相互作用を伴う挑戦的なトポロジカルな関係の保存を大幅に改善し、下流予測と分類タスクにおいて最先端のベースラインを著しく上回ることを示している。

関連論文リスト

• Mind the Spatial Gap: A Benchmark for Geospatial Reasoning and Constrained Spatial Editing [29.153947015537167]
  空間認知のエスカレーションを評価するためのベンチマークであるGeoSpatialBenchを紹介する。 GeoSpatialBenchは、地理的に多様な6つの都市にまたがる現実世界の都市データに基づいて、28のトポロジカル、指向性、メートル法、順序付け関係の包括的分類を評価している。
  論文  参考訳（メタデータ） (2026-10-09T02:16:52Z)
• GeoAnchor: Collaborative Reasoning via Latent Decomposition for 3D Spatial Understanding [45.67186918674009]
  GeoAnchorは、3次元空間関係のためのインターリーブテキストラテント推論フレームワークである。 3次元空間情報を3つの相補的な構成要素に分解する: 物体の接地位置潜時、リレーショナル配向方向潜時、シーン構造における幾何潜時である。 多様な複雑な3D推論タスクの実験により、GeoAnchorは、その有効性と一般化能力を検証して、技術の状態より優れていることが示された。
  論文  参考訳（メタデータ） (2026-07-15T05:27:37Z)
• NARA: Anchor-Conditioned Relation-Aware Contextualization of Heterogeneous Geoentities [10.545074153193701]
  ベクトル空間の自己教師型フレームワークであるNARA(Neural Anchor-conditioned Relation-Aware representation learning)を提案する。 NARAは、統合されたフレームワーク内で意味論、幾何学、空間関係を共同でモデル化することで、文脈依存の表現を学ぶ。
  論文  参考訳（メタデータ） (2026-05-12T15:37:10Z)
• Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
  我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。 特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。 その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2026-02-05T18:59:32Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Geo2Vec: Shape- and Distance-Aware Neural Representation of Geospatial Entities [13.206124101350847]
  署名された距離場(SDF)にインスパイアされた新しい手法であるGeo2Vecを導入し、元の空間で直接動作する。 SDFを近似するように訓練されたニューラルネットワークは、すべてのジオエンタリティタイプに対してコンパクトで幾何学的、統一された表現を生成する。 実験結果から,Geo2Vecは形状と位置を表す既存の手法より一貫して優れており,トポロジカルおよび距離の関係を捉え,実世界のGeoAIアプリケーションにおいて高い効率を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-08-26T07:12:28Z)
• Foundation Models for Geospatial Reasoning: Assessing Capabilities of Large Language Models in Understanding Geometries and Topological Spatial Relations [4.302482081136594]
  本研究では、空間的推論において、よく知られたテクスト(WKT)表現とその空間的関係が保持される範囲について検討する。 我々のワークフローは、比較のための空間的推論タスクを完成させるために、3つの異なるアプローチを採用している。
  論文  参考訳（メタデータ） (2025-05-22T05:21:31Z)
• HoLa: B-Rep Generation using a Holistic Latent Representation [51.07878285790399]
  我々は、$textitboundary representations$ (B-Reps)という形式でコンピュータ支援設計(CAD)モデルを学習し、生成するための新しい表現を導入する。 我々の表現は、B-Repプリミティブの連続幾何学的性質を異なる順序で統一する。 提案手法は生成したB-Repプリミティブ間のあいまいさ,冗長性,不整合性を著しく低減する。
  論文  参考訳（メタデータ） (2025-04-19T10:34:24Z)

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。