MotifGPL: Motif-Enhanced Graph Prototype Learning for Deciphering Urban Social Segregation

要約

都市における社会的分離は、人種、住居、収入の側面にわたって、より多様かつ深刻になっています。
都市空間と社会関係がより複雑になるにつれて、大都市圏の住民はさまざまなレベルの社会的隔離を経験しています。
対処せずに放置すると、犯罪率の増加、社会的緊張の高まり、その他の深刻な問題につながる可能性があります。
都市空間内の構造や住民の相互作用を効果的に定量化し、分析することは、人種差別に対処するために非常に重要です。
これまでの研究は主に都市の分離に関する表面レベルの指標に焦点を当てており、都市の構造や移動性に関する包括的な分析が欠けていた。
この制限では、分離の複雑さを完全には把握できません。
このギャップに対処するために、我々は、モチーフ拡張グラフ プロトタイプ学習 (MotifGPL) という名前のフレームワークを提案します。このフレームワークは、プロトタイプベースのグラフ構造抽出、モチーフ分布発見、都市グラフ構造再構成という 3 つの主要なモジュールで構成されています。
具体的には、グラフ構造プロトタイプ学習を使用して、都市空間グラフと出発地-目的地グラフの両方から主要なプロトタイプを抽出し、注目のポイント、ストリートビュー画像、フローインデックスなどの主要な都市属性を組み込みます。
解釈可能性を高めるために、モチーフ分布発見モジュールは各プロトタイプを同様のモチーフと照合し、局所的なパターンを反映したより単純なグラフ構造を表します。
最後に、モチーフ分布の結果を使用して、2 つのグラフの再構成をガイドします。
このモデルは、都市の空間構造と住民の移動パターンの詳細な調査を可能にし、都市の分離に影響を与えるモチーフ パターンの特定と分析を支援し、都市グラフ構造の再構築を導きます。
実験結果は、MotifGPL が都市の社会的分離に影響を与える重要なモチーフを効果的に明らかにし、この問題を軽減するための強力なガイダンスを提供することを示しています。

要約(オリジナル)

Social segregation in cities, spanning racial, residential, and income dimensions, is becoming more diverse and severe. As urban spaces and social relations grow more complex, residents in metropolitan areas experience varying levels of social segregation. If left unaddressed, this could lead to increased crime rates, heightened social tensions, and other serious issues. Effectively quantifying and analyzing the structures within urban spaces and resident interactions is crucial for addressing segregation. Previous studies have mainly focused on surface-level indicators of urban segregation, lacking comprehensive analyses of urban structure and mobility. This limitation fails to capture the full complexity of segregation. To address this gap, we propose a framework named Motif-Enhanced Graph Prototype Learning (MotifGPL),which consists of three key modules: prototype-based graph structure extraction, motif distribution discovery, and urban graph structure reconstruction. Specifically, we use graph structure prototype learning to extract key prototypes from both the urban spatial graph and the origin-destination graph, incorporating key urban attributes such as points of interest, street view images, and flow indices. To enhance interpretability, the motif distribution discovery module matches each prototype with similar motifs, representing simpler graph structures reflecting local patterns. Finally, we use the motif distribution results to guide the reconstruction of the two graphs. This model enables a detailed exploration of urban spatial structures and resident mobility patterns, helping identify and analyze motif patterns that influence urban segregation, guiding the reconstruction of urban graph structures. Experimental results demonstrate that MotifGPL effectively reveals the key motifs affecting urban social segregation and offer robust guidance for mitigating this issue.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google