Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Preentrenamiento y estímulo en regiones urbanas: un enfoque basado en gráficos

Created by
  • Haebom

Autor

Jiahui Jin, Yifan Song, Dong Kan, Haojia Zhu, Xiangguo Sun, Zhicheng Li, Xigang Sun, Jinghui Zhang

Describir

En este artículo, proponemos un nuevo marco para el aprendizaje de representaciones de regiones urbanas, GURPP (Preentrenamiento e Incitación de Regiones Urbanas Basado en Grafos), importante para diversas subtareas relacionadas con el ámbito urbano. Considerando que estudios previos no consideran la semántica detallada del diseño funcional de las regiones urbanas y su baja adaptabilidad a las tareas, GURPP construye un grafo de región urbana y captura patrones heterogéneos y transferibles de interacciones de entidades mediante un modelo de preentrenamiento centrado en subgrafos. Preentrenamos incrustaciones de regiones con amplio conocimiento mediante aprendizaje contrastivo y aprendizaje multivista, y mejoramos su adaptabilidad mediante indicaciones definidas manualmente y aprendibles. Demostramos el excelente rendimiento de GURPP mediante experimentos en diversas tareas de predicción de regiones urbanas y ciudades.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un nuevo marco para aprender de manera efectiva conocimientos transferibles considerando la semántica de diseño funcional de grano fino de las áreas urbanas.
◦
Adaptabilidad mejorada a diferentes subtareas mediante aprendizaje previo y sugerencias basadas en gráficos.
◦
Generación de incrustaciones locales ricas y robustas utilizando aprendizaje contrastivo y aprendizaje de múltiples vistas.
◦
Integrar conocimientos prácticos explícitos e implícitos a través de indicaciones manuales y aprendibles.
◦
Demostró un desempeño superior en una variedad de ciudades y tareas.
•
Limitations:
◦
Se necesita más investigación sobre el rendimiento de generalización del marco propuesto.
◦
Se necesita una evaluación sólida de áreas urbanas de diverso tamaño y complejidad.
◦
Subjetividad y consideraciones Limitations necesarias para el diseño de indicaciones definidas manualmente.
◦
Es necesario un análisis más profundo del proceso de aprendizaje y la interpretación de las indicaciones aprendidas.
👍
Made with Slashpage