ترجمه فارسی مقاله منطقه شهری قبل از آموزش و فوریت: یک رویکرد مبتنی بر نمودار

چکیده

Urban region representation is crucial for various urban downstream tasks. However, despite the proliferation of methods and their success, acquiring general urban region knowledge and adapting to different tasks remains challenging. Previous work often neglects the spatial structures and functional layouts between entities, limiting their ability to capture transferable knowledge across regions. Further, these methods struggle to adapt effectively to specific downstream tasks, as they do not adequately address the unique features and relationships required for different downstream tasks. In this paper, we propose a $textbf{G}$raph-based $textbf{U}$rban $textbf{R}$egion $textbf{P}$re-training and $textbf{P}$rompting framework ($textbf{GURPP}$) for region representation learning. Specifically, we first construct an urban region graph that integrates detailed spatial entity data for more effective urban region representation. Then, we develop a subgraph-centric urban region pre-training model to capture the heterogeneous and transferable patterns of interactions among entities. To further enhance the adaptability of these embeddings to different tasks, we design two graph-based prompting methods to incorporate explicit/hidden task knowledge. Extensive experiments on various urban region prediction tasks and different cities demonstrate the superior performance of our GURPP framework.

چکیده به فارسی (ترجمه ماشینی)

نمایندگی منطقه شهری برای کارهای مختلف پایین دست شهری بسیار مهم است.با این حال ، با وجود گسترش روش ها و موفقیت آنها ، دستیابی به دانش عمومی منطقه شهری و سازگاری با کارهای مختلف همچنان چالش برانگیز است.کار قبلی اغلب از ساختارهای مکانی و چیدمان عملکردی بین موجودات غفلت می کند و توانایی آنها در گرفتن دانش قابل انتقال در مناطق را محدود می کند.علاوه بر این ، این روشها برای تطبیق مؤثر با کارهای خاص پایین دست تلاش می کنند ، زیرا آنها به اندازه کافی به ویژگی های منحصر به فرد و روابط مورد نیاز برای کارهای مختلف پایین دست نمی پردازند.در این مقاله ، ما یک $ textbf {g} $ مبتنی بر $ textbf {u} $ rban $ textbf {r} $ egion $ textbf {p} $ آموزش مجدد و $ textbf {p} را پیشنهاد می کنیم.$ چارچوب rompting ($ textbf {gurpp} $) برای یادگیری نمایندگی منطقه.به طور خاص ، ما ابتدا یک نمودار منطقه شهری را می سازیم که داده های موجودیت فضایی را برای نمایندگی مؤثرتر منطقه شهری ادغام می کند.سپس ، ما یک مدل پیش از آموزش منطقه ای زیر گراف محور ایجاد می کنیم تا الگوهای ناهمگن و قابل انتقال از تعامل بین موجودات را ضبط کنیم.برای تقویت بیشتر سازگاری این تعبیه ها با کارهای مختلف ، ما دو روش فوری مبتنی بر نمودار را طراحی می کنیم تا دانش کار صریح/پنهان را در خود جای دهد.آزمایش های گسترده در مورد وظایف مختلف پیش بینی منطقه شهری و شهرهای مختلف عملکرد برتر چارچوب GURPP ما را نشان می دهد.