論文の概要: TopoST: Topology-Conditioned Node Specialization for Urban Spatio-Temporal Foundation Models
- arxiv url: http://arxiv.org/abs/2611.15440v1
- Date: Wed, 11 Nov 2026 13:14:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.147695
- Title: TopoST: Topology-Conditioned Node Specialization for Urban Spatio-Temporal Foundation Models
- Title(参考訳): TopoST:Topology-Conditioned Node Specialization for Urban Spatio-Temporal Foundation Models
- Abstract要約: 都市時間基盤モデルは、様々な都市シナリオにおける知識を共有する必要がある。
本稿では,局所部分グラフ上の共有学習とノードの特殊化を組み合わせたTopoSTを提案する。
- 参考スコア(独自算出の注目度): 16.837607982012877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban spatio-temporal foundation models must share knowledge across diverse urban scenarios while accommodating heterogeneous node dynamics. Our analysis of 20+ datasets spanning diverse urban scenarios reveals recurring local graph structures across datasets alongside substantial node heterogeneity within local subgraphs. Motivated by these observations, we propose TopoST, which combines shared learning over local subgraphs with topology-conditioned node specialization. The key insight is to make node specialization itself transferable through a shared topology-to-parameter mapping. This mapping uses identity-independent topological representations to generate node-specific temporal and spatial dependency parameters, enabling direct specialization for unseen nodes without target-specific embeddings or model updates. Extensive experiments demonstrate that TopoST achieves remarkable zero-shot generalization across unseen cities and tasks, highlighting topology-conditioned node specialization as an effective mechanism for transferable urban spatio-temporal foundation models. Code is available at https://github.com/weikaiyun/TopoST.
- Abstract(参考訳): 都市時空間基盤モデルは、異種ノードのダイナミクスを調節しながら、多様な都市シナリオの知識を共有する必要がある。
多様な都市シナリオにまたがる20以上のデータセットの解析により,局所的な部分グラフ内のノードの不均一性とともに,データセット間の局所的なグラフ構造が繰り返し現れることが明らかとなった。
そこで本研究では,局所部分グラフ上の共有学習と位相条件ノードの特殊化を組み合わせたTopoSTを提案する。
重要な洞察は、ノードの特殊化自体を共有トポロジ-パラメータマッピングを通じて転送できるようにすることである。
このマッピングでは、アイデンティティ非依存のトポロジ表現を使用して、ノード固有の時間的および空間的依存パラメータを生成し、ターゲット固有の埋め込みやモデル更新なしに、目に見えないノードを直接特殊化することができる。
広汎な実験により,TopoSTは目に見えない都市やタスクにまたがる顕著なゼロショットの一般化を実現し,トポロジ条件付きノードの特殊化が都市空間の時空間モデルに有効なメカニズムであることを実証した。
コードはhttps://github.com/weikaiyun/TopoST.comで入手できる。
関連論文リスト
- DST-Net: Decomposed Spatio-Temporal Network for Time Series Forecasting [61.96850918611701]
直列分解は、深部時系列予測モデルにおいて広く認められたパラダイムとして現れている。
本稿では,各コンポーネントの本質的な特性に合わせて,特定のモデリング戦略をカスタマイズする,新しいアンタングル型アーキテクチャを提案する。
論文 参考訳(メタデータ) (2026-10-15T02:28:22Z) - Prior-SG: Task and Prior Driven Region Segmentation for Scene Graphs in Arbitrarily-Structured Environments [20.027960785504586]
確率的アライメント問題としてシーングラフを生成するタスク駆動および事前駆動のフレームワークであるPreside-SGを提案する。
我々は、多様なシミュレーションされた住宅データセットと、大規模でオープンな実環境にまたがるこのアプローチを検証する。
論文 参考訳(メタデータ) (2026-08-06T15:36:12Z) - Dynamic Sheaf Diffusion Networks with Adaptive Local Structure for Heterogeneous Spatio-Temporal Graph Learning [4.67724003380452]
本稿では,グラフベクトル変換をせん断空間に埋め込む,せん断拡散グラフニューラルネットワーク(ST-Sheaf GNN)を提案する。
我々のモデルは時間とともに進化する動的制約マップを学習し、局所時間パターンに適応し、より表現力のある相互作用を可能にする。
論文 参考訳(メタデータ) (2026-04-13T10:32:20Z) - Beyond Fixed Depth: Adaptive Graph Neural Networks for Node Classification Under Varying Homophily [10.0426843232642]
本研究では,局所構造特性とラベル特性を情報伝達ダイナミクスに関連付ける理論的枠組みを開発する。
本稿では,ノード固有の集約深さを動的に選択する適応深度GNNアーキテクチャを提案する。
本手法は, 統一モデルにおけるホモ親和性パターンとヘテロ親和性パターンの両方にシームレスに適応する。
論文 参考訳(メタデータ) (2025-11-10T01:37:51Z) - ST-FiT: Inductive Spatial-Temporal Forecasting with Limited Training Data [59.78770412981611]
現実世界のアプリケーションでは、ほとんどのノードはトレーニング中に利用可能な時間データを持っていないかもしれない。
この問題に対処するために,ST-FiTというフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-14T17:51:29Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-09-26T16:22:08Z) - SpaGBOL: Spatial-Graph-Based Orientated Localisation [15.324623975476348]
都市域内のクロスビューなジオローカライゼーションは、現在のデータセットや技術に空間的構造が欠如していることから、部分的には困難である。
本稿では,局所的な観測のシーケンスをモデル化するためのグラフ表現の利用と,対象位置の接続性を提案する。
論文 参考訳(メタデータ) (2024-09-23T20:04:29Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - On the spatial attention in Spatio-Temporal Graph Convolutional Networks
for skeleton-based human action recognition [97.14064057840089]
カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。
最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
論文 参考訳(メタデータ) (2020-11-07T19:03:04Z)
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。