基于第三地理定律的道路网络表示学习
机器学习
2024-06-07 v1
摘要
道路网络表示学习旨在学习道路段的有效压缩向量表示，适用于众多任务。本文指出现有方法的局限性，特别是它们过度强调第一地理定律中的距离效应。为此，我们提出将最近提出的第三地理定律的原理赋予道路网络表示。我们提出了一种新颖的图对比学习框架，采用地理配置感知的图增强和谱负采样，确保具有相似地理配置的道路段产生相似的表示，反之亦然，符合第三定律的陈述。该框架通过双重对比学习目标进一步融合第三定律与第一定律，以有效平衡两个定律的含义。我们在两个真实数据集上评估了我们的框架，涉及三个下游任务。结果表明，第三定律的整合显著提高了道路段表示在下游任务中的性能。
引用
@article{arxiv.2406.04038,
title = {Road Network Representation Learning with the Third Law of Geography},
author = {Haicang Zhou and Weiming Huang and Yile Chen and Tiantian He and Gao Cong and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2406.04038},
year = {2024}
}