Jun, 2024

用于多模态和可解释土地利用推断的异构图神经网络与事后解释

PDF
TL;DR通过将异构图神经网络（HGNs）与可解释人工智能技术相结合，增强了准确性和可解释性，提出了一种解释性框架，用于推测土地利用，实证实验表明提出的 HGNs 在六个土地利用指标方面显著优于基线图神经网络，尤其在 'office' 和'sustenance' 方面。
urban land use inferencemulti-modal mobility dataheterogeneous graph neural networksexplainable aiurban planning
发现论文，激发创造
  • 利用异构图表示实现可解释的运动预测

    本研究提出了一种新型的可解释的异质图策略模型 (XHGP)，并探讨了利用 GNNExplainer 和反事实推理来提高运动预测系统的可解释性，以便达到更为透明和可靠的自动驾驶需求。

    Dec, 2022

  • 从地上和空中视角理解城市土地利用：深度学习，多模态解决方案

    本文介绍了一种利用多模态数据和深度学习方法的城市地块级别自动土地利用变更监测模型，并在法国区域和城市的测试中取得了很好的效果。

    May, 2019

  • 自说明图神经网络探索

    本文研究自解释图神经网络的新问题，提出了新的框架以实现可解释的节点分类，通过可解释的相似性模块以找到每个未标记节点的 $K$ 近邻标记节点，并在真实世界和合成数据集上进行了广泛的实验验证。

    Aug, 2021

  • 城市区域嵌入的多图融合网络

    本文提出了一种名为多图融合网络（MGFN）的模型，通过人类移动数据的地理位置相似性融合模块，将人类移动数据的多种模式嵌入到该模型中，这有助于进行交叉领域的预测任务，如犯罪预测，并在实际城市数据集上进行了广泛的实验，结果表明，MGFN 模型优于现有技术方法，最大提高了 12.35％。

    Jan, 2022

  • 面向异构图神经网络的细粒度可解释性研究

    本文提出了一种名为 xPath 的新框架，针对黑盒异质图神经网络提供细粒度的解释，包括因果节点与目标节点间的影响路径，通过新的图重连算法通过扰动图结构来测量节点对预测的影响，并引入贪婪搜索算法以高效地找到最具影响力的细粒度解释。实证结果表明，与先进的 GNN 解释方法相比，xPath 能够高效地产生准确解释。

    Dec, 2023

  • 生成对比异构图神经网络

    通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

    Apr, 2024

  • 学习常识推理的情境化知识结构

    该研究提出一种名为 Hybrid Graph Network（HGN）的知识图谱（KG）增强模型，通过在一个统一的图结构中同时推理提取和生成的知识来解决 KG 边缘稀疏和嘈杂的问题，证明了该模型在四个常识推理基准测试中取得的相当大的性能增益，并研究了边缘有效性和帮助性。

    Oct, 2020

  • 基于深度分层生成学习的人工智能自动城市规划

    本文提出了一种基于深度生成学习和人类指导的深层次生成模型来解决传统城市规划中的一些局限性，通过标记实现从目标区域到分区再到网格的三级生成过程，包括感知规划需求、功能投影和多关注模型等来生成网格水平的土地利用配置。

    Dec, 2022

  • 自解释图神经网络用于链路预测

    本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

    May, 2023

  • 利用卷积网络和卫星图像在大范围内识别城市环境模式

    利用遥感技术和深度卷积神经网络，分析大规模卫星图像数据中的城市土地利用模式，并提供数据集以供遥感应用的机器学习研究人员使用。

    Apr, 2017