論文の概要: CNNTOP: a CNN-based Trajectory Owner Prediction Method
- arxiv url: http://arxiv.org/abs/2001.01185v1
- Date: Sun, 5 Jan 2020 07:58:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-14 07:33:52.247341
- Title: CNNTOP: a CNN-based Trajectory Owner Prediction Method
- Title(参考訳): CNNTOP:CNNに基づく軌道オーナ予測手法
- Authors: Xucheng Luo, Shengyang Li, Yuxiang Peng
- Abstract要約: 軌道所有者予測は、パーソナライズされたレコメンデーションや都市計画など、多くの応用の基盤となっている。
既存の手法は主にRNNを用いて軌道を意味的にモデル化する。
CNNに基づくトラジェクトリオーナ予測(CNNTOP)手法を提案する。
- 参考スコア(独自算出の注目度): 1.3793594968500604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory owner prediction is the basis for many applications such as
personalized recommendation, urban planning. Although much effort has been put
on this topic, the results archived are still not good enough. Existing methods
mainly employ RNNs to model trajectories semantically due to the inherent
sequential attribute of trajectories. However, these approaches are weak at
Point of Interest (POI) representation learning and trajectory feature
detection. Thus, the performance of existing solutions is far from the
requirements of practical applications. In this paper, we propose a novel
CNN-based Trajectory Owner Prediction (CNNTOP) method. Firstly, we connect all
POI according to trajectories from all users. The result is a connected graph
that can be used to generate more informative POI sequences than other
approaches. Secondly, we employ the Node2Vec algorithm to encode each POI into
a low-dimensional real value vector. Then, we transform each trajectory into a
fixed-dimensional matrix, which is similar to an image. Finally, a CNN is
designed to detect features and predict the owner of a given trajectory. The
CNN can extract informative features from the matrix representations of
trajectories by convolutional operations, Batch normalization, and $K$-max
pooling operations. Extensive experiments on real datasets demonstrate that
CNNTOP substantially outperforms existing solutions in terms of
macro-Precision, macro-Recall, macro-F1, and accuracy.
- Abstract(参考訳): 軌道所有者予測は、パーソナライズドレコメンデーションや都市計画など、多くのアプリケーションの基礎となる。
このトピックに多くの努力が払われているが、アーカイブされた結果はまだ不十分である。
既存の手法は主にRNNを用いてトラジェクトリを意味的にモデル化する。
しかし、これらの手法は、POI(Point of Interest)表現学習と軌跡特徴検出において弱い。
したがって、既存のソリューションのパフォーマンスは、実用的なアプリケーションの要件とは程遠い。
本稿では,新しいcnn-based track owner prediction (cnntop)法を提案する。
まず、すべてのpoiを全ユーザの軌道に従って接続します。
その結果は連結グラフであり、他のアプローチよりも情報的なPOI配列を生成するのに利用できる。
次に、ノード2Vecアルゴリズムを用いて各POIを低次元の実値ベクトルに符号化する。
次に、各軌道を画像に類似した固定次元行列に変換する。
最後に、CNNは、特徴を検出し、与えられた軌跡の所有者を予測するように設計されている。
CNNは、畳み込み演算、バッチ正規化、および$K$-maxプール演算によって、軌道の行列表現から情報的特徴を抽出することができる。
実データセットに対する大規模な実験により、CNNTOPはマクロ精度、マクロリコール、マクロF1、精度で既存のソリューションを大幅に上回ることを示した。
関連論文リスト
- Learning Useful Representations of Recurrent Neural Network Weight Matrices [30.583752432727326]
リカレントニューラルネットワーク(Recurrent Neural Networks、RNN)は、汎用並列シーケンスコンピュータである。
下流タスクと同様に、RNN分析を容易にするRNN重みの有用な表現をどうやって学習するか?
我々は、RNN重みに対するいくつかの力学的アプローチを検討し、RNNに対して置換同変のDeep Weight Space層を適用する。
我々の2つの新しい機能主義者は、入力を探索することでRNNの重みから情報を'インターロゲート'することで抽出する。
論文 参考訳(メタデータ) (2024-03-18T17:32:23Z) - Dynamic Semantic Compression for CNN Inference in Multi-access Edge
Computing: A Graph Reinforcement Learning-based Autoencoder [82.8833476520429]
部分オフロードにおける効果的な意味抽出と圧縮のための新しい意味圧縮手法であるオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。
セマンティックエンコーダでは、CNNのチャネルアテンション機構に基づく特徴圧縮モジュールを導入し、最も情報性の高い特徴を選択して中間データを圧縮する。
セマンティックデコーダでは、受信した圧縮データから学習して中間データを再構築し、精度を向上させる軽量デコーダを設計する。
論文 参考訳(メタデータ) (2024-01-19T15:19:47Z) - Self Similarity Matrix based CNN Filter Pruning [1.6799377888527687]
2次元CNNフィルタから計算した自己相似行列(SSM)の助けを借りてCNNモデルプルーニングの問題に取り組む。
出力に類似したアクティベーションマップに寄与する冗長フィルタのランク付けとプーン化のための2つの新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-11-03T13:47:44Z) - Reward Shaping Using Convolutional Neural Network [13.098264947461432]
畳み込みニューラルネットワーク(CNN)を用いた潜在的報酬形成機構を提案する。
提案したVIN-RSは、Hidden Markov Modelのメッセージパッシング機構を用いて、計算ラベルで訓練されたCNNを埋め込む。
その結果,最先端技術と比較して学習速度と最大累積報酬が向上したことを示す。
論文 参考訳(メタデータ) (2022-10-30T21:28:22Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳(メタデータ) (2022-06-17T04:07:45Z) - Invertible Neural Networks for Graph Prediction [22.140275054568985]
本研究では,ディープ・インバーチブル・ニューラルネットワークを用いた条件生成について述べる。
私たちの目標は,前処理と後処理の予測と生成を同時に行うことにあるので,エンドツーエンドのトレーニングアプローチを採用しています。
論文 参考訳(メタデータ) (2022-06-02T17:28:33Z) - Learning from Images: Proactive Caching with Parallel Convolutional
Neural Networks [94.85780721466816]
本稿では,プロアクティブキャッシングのための新しいフレームワークを提案する。
モデルベースの最適化とデータ駆動技術を組み合わせて、最適化問題をグレースケールのイメージに変換する。
数値計算の結果,提案手法は71.6%の計算時間を0.8%のコストで削減できることがわかった。
論文 参考訳(メタデータ) (2021-08-15T21:32:47Z) - Adaptive Nearest Neighbor Machine Translation [60.97183408140499]
kNN-MTは、事前訓練されたニューラルネットワーク翻訳とトークンレベルのk-nearest-neighbor検索を組み合わせる。
従来のkNNアルゴリズムは、ターゲットトークンごとに同じ数の近傍を検索する。
ターゲットトークン毎のk個数を動的に決定する適応的kNN-MTを提案する。
論文 参考訳(メタデータ) (2021-05-27T09:27:42Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳(メタデータ) (2021-01-29T07:46:39Z) - Convolutional Neural Nets: Foundations, Computations, and New
Applications [0.0]
CNNは、グリッドデータから予測(回帰と分類)を行う機能を強調する強力な機械学習モデルです。
よくある誤解は、cnnは画像やビデオデータしか処理できないということだ。
本稿では,CNNを最適制御,フロー,モニタリング,分子シミュレーションといった新しいタイプのアプリケーションに適用する方法を示す。
論文 参考訳(メタデータ) (2021-01-13T04:20:42Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳(メタデータ) (2019-03-24T19:42:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。