論文の概要: Station-to-User Transfer Learning: Towards Explainable User Clustering Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix Factorization

• arxiv url: http://arxiv.org/abs/2004.12828v1
• Date: Mon, 27 Apr 2020 14:13:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 06:06:24.043092
• Title: Station-to-User Transfer Learning: Towards Explainable User Clustering Through Latent Trip Signatures Using Tidal-Regularized Non-Negative Matrix Factorization
• Title（参考訳）: station-to-user transfer learning:tidal-regularized non-negative matrix factorizationを用いた潜在トリップシグネチャによるユーザクラスタリングの解法
• Authors: Liming Zhang, Andreas Z\"ufle, Dieter Pfoser
• Abstract要約: この研究は、モビリティデータと、それが都市のモビリティパターンの理解を改善するためにどのように役立つかに焦点を当てている。 そこで我々は,駅レベルの信号から学習した集合パターンを用いて,ユーザレベルの学習を増強する,遅延表現による集合学習フレームワークを提案する。 ワシントンD.C.都市圏の駅機能とユーザプロファイルの質的分析を行い,都市内モビリティ調査を支援する方法を示す。
• 参考スコア（独自算出の注目度）: 4.713006935605146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urban areas provide us with a treasure trove of available data capturing almost every aspect of a population's life. This work focuses on mobility data and how it will help improve our understanding of urban mobility patterns. Readily available and sizable farecard data captures trips in a public transportation network. However, such data typically lacks temporal modalities and as such the task of inferring trip semantic, station function, and user profile is quite challenging. As existing approaches either focus on station-level or user-level signals, they are prone to overfitting and generate less credible and insightful results. To properly learn such characteristics from trip data, we propose a Collective Learning Framework through Latent Representation, which augments user-level learning with collective patterns learned from station-level signals. This framework uses a novel, so-called Tidal-Regularized Non-negative Matrix Factorization method, which incorporates domain knowledge in the form of temporal passenger flow patterns in generic Non-negative Matrix Factorization. To evaluate our model performance, a user stability test based on the classical Rand Index is introduced as a metric to benchmark different unsupervised learning models. We provide a qualitative analysis of the station functions and user profiles for the Washington D.C. metro and show how our method supports spatiotemporal intra-city mobility exploration.
• Abstract（参考訳）: 都市部は、人口の生活のほぼすべての側面を捉えた、利用可能なデータの宝庫を提供する。 この研究は、モビリティデータと、それが都市のモビリティパターンの理解を改善する方法に焦点を当てている。 簡単に利用でき、少額のファラーカードデータは公共交通網で旅行をキャプチャする。 しかし,このようなデータには時間的モダリティが欠如しており,旅行の意味や駅機能,ユーザプロファイルなどを推測する作業は非常に難しい。 既存のアプローチでは、ステーションレベルの信号やユーザーレベルの信号に重点を置いているため、過度に適合し、信頼性が低く、洞察力に富んだ結果を生み出す傾向にある。 このような特徴を旅行データから適切に学習するために、駅レベルの信号から学習した集合パターンを用いてユーザレベルの学習を増強する、遅延表現による集合学習フレームワークを提案する。 このフレームワークは, 汎用的非負行列分解における時間的乗客フローパターンの形式にドメイン知識を組み込んだ, いわゆるTidal-Regularized Non- negative Matrix Factorization法を用いている。 モデル性能を評価するため,従来のRand Indexに基づくユーザ安定性試験を,教師なし学習モデルのベンチマーク指標として導入した。 ワシントンD.C.地下鉄の駅機能とユーザプロファイルの質的分析を行い,その方法が時空間都市内モビリティ探索をどのようにサポートするかを示した。

関連論文リスト

• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Clustering and Analysis of GPS Trajectory Data using Distance-based Features [20.91019606657394]
  そこで我々は,新たなモビリティ指標であるDaily Characteristics Distanceを提案する。 次に、これらの機能を教師なしの機械学習手法、$k$-meansクラスタリングで使用し、各タイプのユーザ(WorkdayとOffday)に対して3つのクラスタを取得する。 本稿では,クラスタリング結果,すなわちユーザ共通性と平均周波数の分析のための2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2022-12-01T01:25:49Z)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• Statistical inference of travelers' route choice preferences with system-level data [4.120057972557892]
  本研究では,システムレベルのデータを用いて旅行者の実用機能を複数の属性で推定する手法を開発した。 合成データを用いた実験では、係数は一貫して回復され、仮説テストはどの属性が旅行者の経路選択の決定要因であるかを特定する信頼できる統計量であることが示されている。 この方法論は、新型コロナウイルスの感染拡大時に収集された実際のFresnoworldマルチソースデータを使用して、大規模に展開される。
  論文  参考訳（メタデータ） (2022-04-23T00:38:32Z)
• Location Leakage in Federated Signal Maps [7.093808731951124]
  複数のモバイルデバイスで収集した測定値からセルラーネットワーク性能(信号マップ)を予測することの問題点を考察する。 i) フェデレーション学習は、ユーザがデバイスにトレーニングデータを保持しながら、協調的にモデルをトレーニングすることを可能にする。 我々は、FLに参加しているターゲットユーザーから更新を観測し、グラデーション(DLG)タイプの攻撃による深い漏洩を用いて位置情報を推測する、誠実だが正確なサーバを考える。 FLのチューニングを含むフェデレーション学習フレームワーク内でのメカニズムの再検討と設計により、位置のプライバシーを保護するために、この観測に基づいて構築する。
  論文  参考訳（メタデータ） (2021-12-07T02:28:12Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• AttnMove: History Enhanced Trajectory Recovery via Attentional Network [15.685998183691655]
  AttnMoveと呼ばれる新しい注目ニューラルネットワークベースのモデルを提案し、観測されていない位置を回復することによって個々の軌道を高密度化する。 本研究では,実世界の2つのデータセット上でのモデル評価を行い,最新手法と比較した性能向上を示す。
  論文  参考訳（メタデータ） (2021-01-03T15:45:35Z)
• BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
  本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。 既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。 この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
  論文  参考訳（メタデータ） (2020-08-11T17:04:47Z)
• Leveraging the Self-Transition Probability of Ordinal Pattern Transition Graph for Transportation Mode Classification [0.0]
  本稿では,交通モード分類における自己遷移の確率という,通常のパターン遷移グラフから保持される特徴の利用を提案する。 提案手法は,これらを組み合わせた場合であっても,置換エントロピーや統計的複雑度よりも精度がよい。
  論文  参考訳（メタデータ） (2020-07-16T23:25:09Z)
• Learning Invariant Representations for Reinforcement Learning without Reconstruction [98.33235415273562]
  本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。 シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。 修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-06-18T17:59:35Z)

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。