道路网络表示学习:基于双图的方法
本研究介绍了一种特定于路网设计的图卷积神经网络(GCN)的改进型 RFN,与现有的 GCN 相比,在两个机器学习任务上的性能提高了 21%-40%,同时还表明了现有 GCN 可能无法有效地利用道路网络结构并可能无法很好地推广到其他道路网络。
Jun, 2020
通过使用地理配置感知的图增强和谱负采样的新型图对比学习框架,本文提出了一种将道路网络表示赋予地理第三定律的方法,以实现道路段具有类似地理配置的段生成类似表示,以及相反情况下的对齐。该框架通过双对比学习目标有效平衡了第一定律和第三定律的影响,实现了第一定律和第三定律的结合。在两个真实世界数据集上进行了三个下游任务的评估,结果显示第三定律的融合显著改善了道路段表示在下游任务中的性能。
Jun, 2024
该论文提出了一种名为 HSRL 的新型网络表示学习 (NRL) 框架,通过递归地压缩网络来同时学习网络的局部拓扑和全局拓扑,并证明其在五个真实世界数据集上的链路预测方面优于现有方法。
Feb, 2019
本文提出了一个统一的框架,终端联合学习道路网络和路径表示。通过为道路对比和路径对比设计领域特定的增强算法,以及介绍道路 - 路径跨尺度对比来建立两个尺度之间的联系,实现了相互信息的最大化。实验表明,这种方法能够提高道路网络和路径表示的总体性能和效果。
Sep, 2022
通过层级循环网络输出结构化多段线,我们提出了一种用于在线道路网络提取的方法,并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明,该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。
Dec, 2020
该论文提出了一种新的 Graph Neural Network 体系架构(RioGNN),通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘,并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明,该方法比其他比较方法更有效,更高效,并具有更好的模型解释性。
Apr, 2021
本研究提出了一种名为 GAP 的新型上下文敏感的算法,它使用注意力池化网络在不需要额外特征或社区检测算法的情况下,学习到了在节点邻域不同部分的出现概率,并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。
Jan, 2020
本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献,并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结,同时对于验证网络表征学习的评估协议,如公开的基准数据集、评估方法和开源算法也进行了总结和分析,并在常见数据集上比较了代表性算法之间的性能和计算复杂度,并提出未来的研究方向。
Dec, 2017
本研究介绍了一种利用多层感知机(MLPs)框架来通过输入的世界坐标 x 和 y 在高度、颜色和语义信息方面重构道路表面的新方法。我们的方法 NeRO 使用基于 MLPs 的编码技术,显著提高了对复杂细节的性能,并加快了训练速度,减小了神经网络的大小。通过其卓越的性能,我们证明了该方法的有效性,这表明了在语义应用中渲染道路表面的有希望的方向,特别适用于需要可视化道路状况、4D 标签和语义分组的应用。
May, 2024
该研究的主要目的是学习图结构数据,提出了一种基于黎曼流形的新型图神经网络架构,并开发了一种可扩展的算法来模拟图的结构特性,并比较欧几里得和双曲几何。在实验中,我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。
Oct, 2019