Graph Representation Learning for Road Type Classification

要約

最先端のグラフ畳み込みニューラルネットワークを採用した道路ネットワークのグラフ表現への新しい学習ベースのアプローチを提示します。
私たちのアプローチは、OpenStreetMapからの17都市の現実的な道路ネットワークに適用されます。
エッジフィーチャは道路ネットワークの記述的なグラフ表現を生成するために重要ですが、グラフ畳み込みネットワークは通常、ノードフィーチャのみに依存します。
折れ線グラフ変換を適用することにより、非常に代表的なエッジ機能をこのようなネットワークに統合できることを示します。
また、ローカルネイバーとグローバルネイバーの両方で構成されるトポロジカルネイバーフッドに基づくネイバーフッドサンプリングの方法を提案します。
トランスダクティブタスクとインダクティブタスク、および教師あり学習と教師なし学習で、さまざまなタイプの近隣集計関数を使用して、学習表現のパフォーマンスを比較します。
さらに、新しい集約アプローチであるGraph Attention Isomorphism Network、GAINを提案します。
私たちの結果は、GAINが道路タイプ分類問題で最先端の方法よりも優れていることを示しています。

要約(オリジナル)

We present a novel learning-based approach to graph representations of road networks employing state-of-the-art graph convolutional neural networks. Our approach is applied to realistic road networks of 17 cities from Open Street Map. While edge features are crucial to generate descriptive graph representations of road networks, graph convolutional networks usually rely on node features only. We show that the highly representative edge features can still be integrated into such networks by applying a line graph transformation. We also propose a method for neighborhood sampling based on a topological neighborhood composed of both local and global neighbors. We compare the performance of learning representations using different types of neighborhood aggregation functions in transductive and inductive tasks and in supervised and unsupervised learning. Furthermore, we propose a novel aggregation approach, Graph Attention Isomorphism Network, GAIN. Our results show that GAIN outperforms state-of-the-art methods on the road type classification problem.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google