論文の概要: A Spherical Hidden Markov Model for Semantics-Rich Human Mobility Modeling

• arxiv url: http://arxiv.org/abs/2010.01986v1
• Date: Mon, 5 Oct 2020 13:18:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 19:37:54.820816
• Title: A Spherical Hidden Markov Model for Semantics-Rich Human Mobility Modeling
• Title（参考訳）: セマンティクスに富むモビリティモデリングのための球面隠れマルコフモデル
• Authors: Wanzheng Zhu, Chao Zhang, Shuochao Yao, Xiaobin Gao, Jiawei Han
• Abstract要約: セマンティックトレースデータから人間のモビリティをモデル化する問題について検討する。 トレース内の各GPSレコードは、ユーザのアクティビティを記述するテキストメッセージに関連付けられている。 本稿では,マルチモーダルな球面隠れマルコフモデルであるSHMMを提案する。
• 参考スコア（独自算出の注目度）: 33.052757487962275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of modeling human mobility from semantic trace data, wherein each GPS record in a trace is associated with a text message that describes the user's activity. Existing methods fall short in unveiling human movement regularities, because they either do not model the text data at all or suffer from text sparsity severely. We propose SHMM, a multi-modal spherical hidden Markov model for semantics-rich human mobility modeling. Under the hidden Markov assumption, SHMM models the generation process of a given trace by jointly considering the observed location, time, and text at each step of the trace. The distinguishing characteristic of SHMM is the text modeling part. We use fixed-size vector representations to encode the semantics of the text messages, and model the generation of the l2-normalized text embeddings on a unit sphere with the von Mises-Fisher (vMF) distribution. Compared with other alternatives like multi-variate Gaussian, our choice of the vMF distribution not only incurs much fewer parameters, but also better leverages the discriminative power of text embeddings in a directional metric space. The parameter inference for the vMF distribution is non-trivial since it involves functional inversion of ratios of Bessel functions. We theoretically prove that: 1) the classical Expectation-Maximization algorithm can work with vMF distributions; and 2) while closed-form solutions are hard to be obtained for the M-step, Newton's method is guaranteed to converge to the optimal solution with quadratic convergence rate. We have performed extensive experiments on both synthetic and real-life data. The results on synthetic data verify our theoretical analysis; while the results on real-life data demonstrate that SHMM learns meaningful semantics-rich mobility models, outperforms state-of-the-art mobility models for next location prediction, and incurs lower training cost.
• Abstract（参考訳）: 意味的トレースデータからヒューマンモビリティをモデル化する問題について検討し,トレース中の各gps記録は,ユーザの行動を記述したテキストメッセージに関連付けられる。 既存の方法は、テキストデータを全くモデル化しなかったり、テキストの疎結合に苦しんだりするため、人間の運動規則を明らかにするのに不足している。 セマンティクスに富むモビリティモデリングのためのマルチモーダル球面隠れマルコフモデルであるshmmを提案する。 隠れマルコフの仮定の下で、SHMMは、トレースの各ステップにおける観測された位置、時間、およびテキストを共同で考慮して、与えられたトレースの生成プロセスをモデル化する。 SHMMの識別特性はテキストモデリング部である。 固定サイズのベクトル表現を用いて、テキストのセマンティクスを符号化し、von Mises-Fisher (vMF) 分布を持つ単位球面上の l2-正規化テキスト埋め込みの生成をモデル化する。 多変量ガウスのような他の選択肢と比較すると、vMF分布の選択はパラメータをはるかに少なくするだけでなく、方向距離空間におけるテキスト埋め込みの識別力も活用できる。 vMF分布のパラメータ推論は、ベッセル関数の比の関数反転を伴うため、非自明ではない。 私たちは理論的にそれを証明します。 1) 古典的期待最大化アルゴリズムはvmf分布に対応できる。 2) M-ステップでは閉形式解が得られにくいが, ニュートン法は2次収束率で最適解に収束することが保証されている。 我々は合成データと実生活データの両方について広範な実験を行った。 実生活データでは,SHMMが意味のあるセマンティクスに富んだモビリティモデルを学習し,次の位置予測のために最先端のモビリティモデルを上回る性能を示し,トレーニングコストの低減を図っている。

関連論文リスト

• Data-Driven Approaches for Modelling Target Behaviour [1.5495593104596401]
  追跡アルゴリズムの性能は、対象の力学に関する選択されたモデル仮定に依存する。 本稿では,物体の動きを記述するために機械学習を利用する3つの異なる手法の比較研究を行う。
  論文  参考訳（メタデータ） (2024-10-14T14:18:27Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Beyond MLE: Convex Learning for Text Generation [34.99340118597274]
  我々は、機械翻訳のようなクローズドエンドテキスト生成タスクにおいて、最大推定(MLE)が必ずしも必要であり、最適であるとは限らないと論じる。 本研究では,データ分布全体を推定することなく,テキスト生成モデルを高い確率出力に集中させることができる,凸関数に基づく新たな学習目標のクラスを提案する。
  論文  参考訳（メタデータ） (2023-10-26T08:08:43Z)
• RegaVAE: A Retrieval-Augmented Gaussian Mixture Variational Auto-Encoder for Language Modeling [79.56442336234221]
  可変オートエンコーダ(VAE)に基づく検索拡張言語モデルであるRegaVAEを紹介する。 テキストコーパスを潜在空間にエンコードし、ソースとターゲットの両方のテキストから現在と将来の情報をキャプチャする。 各種データセットに対する実験結果から,テキスト生成品質と幻覚除去の大幅な改善が示された。
  論文  参考訳（メタデータ） (2023-10-16T16:42:01Z)
• Prototypical Model with Novel Information-theoretic Loss Function for Generalized Zero Shot Learning [3.870962269034544]
  一般ゼロショット学習(GZSL)は、ディープラーニングの技術的課題である。 本稿では,知識伝達と意味的関係の定量化について,情報理論の観点から考察する。 決定論的GZSLモデルのための情報理論損失関数を3つ提案する。
  論文  参考訳（メタデータ） (2021-12-06T16:01:46Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Latent Space Model for Higher-order Networks and Generalized Tensor Decomposition [18.07071669486882]
  我々は、複雑な高次ネットワーク相互作用を研究するために、一般的な潜在空間モデルとして定式化された統一フレームワークを導入する。 一般化された多線形カーネルをリンク関数として、潜伏位置と観測データとの関係を定式化する。 本手法が合成データに与える影響を実証する。
  論文  参考訳（メタデータ） (2021-06-30T13:11:17Z)
• Discrete Auto-regressive Variational Attention Models for Text Modeling [53.38382932162732]
  変分オートエンコーダ(VAE)はテキストモデリングに広く応用されている。 情報不足と後部崩壊という2つの課題に悩まされている。 本稿では,自己回帰変動注意モデル(DAVAM)を提案する。
  論文  参考訳（メタデータ） (2021-06-16T06:36:26Z)
• Understanding Neural Abstractive Summarization Models via Uncertainty [54.37665950633147]
  seq2seq抽象要約モデルは、自由形式の方法でテキストを生成する。 モデルのトークンレベルの予測のエントロピー、すなわち不確実性について検討する。 要約とテキスト生成モデルをより広範囲に解析する上で,不確実性は有用であることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:57:27Z)

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。