注意力图增强的区域表示学习
计算机视觉与模式识别
2024-06-04 v3 人工智能
计算机与社会
机器学习
摘要
准确且全面地表示城市区域对于各类城市规划与分析任务至关重要。近来，随着城市扩张，利用多数据源建模长程空间依赖在城市区域表示中发挥着重要作用。本文提出注意力图增强的区域表示学习（ATGRL）模型，旨在从多个图中捕获全面依赖并学习城市区域的丰富语义表示。具体而言，我们提出图增强学习模块，通过融合出行流模式、兴趣点（POIs）功能与带噪声过滤的签到语义来构建区域图。随后，我们提出多图聚合模块，通过整合多图信息来捕获区域间的局部与全局空间依赖。此外，我们设计双阶段融合模块，利用改进的线性注意力机制促进不同视图间的信息共享并高效融合多视图表示以得到城市区域嵌入。最后，在三个下游任务真实数据集上的大量实验表明，我们的模型相比最先进方法具有优越性能。
引用
@article{arxiv.2307.03212,
title = {Attentive Graph Enhanced Region Representation Learning},
author = {Weiliang Chen and Qianqian Ren and Jinbao Li},
journal= {arXiv preprint arXiv:2307.03212},
year = {2024}
}