論文の概要: Unsupervised Path Representation Learning with Curriculum Negative Sampling

• arxiv url: http://arxiv.org/abs/2106.09373v1
• Date: Thu, 17 Jun 2021 10:47:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 16:09:33.448586
• Title: Unsupervised Path Representation Learning with Curriculum Negative Sampling
• Title（参考訳）: カリキュラム陰性サンプリングを用いた教師なし経路表現学習
• Authors: Sean Bin Yang, Chenjuan Guo, Jilin Hu, Jian Tang, Bin Yang
• Abstract要約: 本稿では,異なる下流タスクに対応する汎用パス表現を学習するために,教師なしのInfo PathMax(PIM)を提案する。 PIMは入力パスの表現と負のパスの表現を区別する。 2つの道路ネットワークデータセットを用いて、ランキングスコア推定と走行時間推定という2つの下流タスクの実験を行った結果、PIMは他の教師なし手法よりも大幅に優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 29.481972477269142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Path representations are critical in a variety of transportation applications, such as estimating path ranking in path recommendation systems and estimating path travel time in navigation systems. Existing studies often learn task-specific path representations in a supervised manner, which require a large amount of labeled training data and generalize poorly to other tasks. We propose an unsupervised learning framework Path InfoMax (PIM) to learn generic path representations that work for different downstream tasks. We first propose a curriculum negative sampling method, for each input path, to generate a small amount of negative paths, by following the principles of curriculum learning. Next, \emph{PIM} employs mutual information maximization to learn path representations from both a global and a local view. In the global view, PIM distinguishes the representations of the input paths from those of the negative paths. In the local view, \emph{PIM} distinguishes the input path representations from the representations of the nodes that appear only in the negative paths. This enables the learned path representations to encode both global and local information at different scales. Extensive experiments on two downstream tasks, ranking score estimation and travel time estimation, using two road network datasets suggest that PIM significantly outperforms other unsupervised methods and is also able to be used as a pre-training method to enhance supervised path representation learning.
• Abstract（参考訳）: 経路表現は、経路推薦システムにおける経路ランキングの推定やナビゲーションシステムにおける経路旅行時間の推定など、様々な輸送アプリケーションにおいて重要である。 既存の研究では、大量のラベル付きトレーニングデータを必要とし、他のタスクに不適切な一般化を必要とする、教師付き方法でタスク固有のパス表現を学習することが多い。 そこで我々は,下流の異なるタスクに対応する汎用パス表現を学習するために,教師なし学習フレームワークPath InfoMax(PIM)を提案する。 まず,各入力経路に対して,カリキュラム学習の原則に従って,少量の負の経路を生成するための,カリキュラム負のサンプリング手法を提案する。 次に、emph{PIM}は相互情報の最大化を用いて、グローバルとローカルの両方のビューから経路表現を学習する。 グローバルな見方では、PIMは入力パスの表現と負のパスの表現を区別する。 局所的な見方では、 \emph{pim} は入力経路表現を負の経路にのみ現れるノードの表現と区別する。 これにより、学習パス表現は、グローバル情報とローカル情報の両方を異なるスケールでエンコードすることができる。 2つのルートネットワークデータセットを用いたランキングスコア推定と旅行時間推定の2つの下流タスクに関する広範な実験は、pimが他の教師なしの方法を大幅に上回っており、教師付きパス表現学習の事前学習方法としても利用できることを示唆している。

関連論文リスト

• Spatial Clustering Approach for Vessel Path Identification [3.2230949286556627]
  位置情報のみを用いて船舶経路をラベル付けするための空間クラスタリング手法を提案する。 距離に基づく経路モデリングと確率推定という2つの手法を用いた経路クラスタリングフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-03-09T03:21:18Z)
• More Than Routing: Joint GPS and Route Modeling for Refine Trajectory Representation Learning [26.630640299709114]
  本稿では,JGRMという自己監督技術に基づく共同GPSとルートモデリングを提案する。 我々は2つのエンコーダを開発し、それぞれルートとGPSの軌跡を表現できるように調整した。 2つのモードからの表現は、モーダル間情報相互作用のための共有変換器に入力される。
  論文  参考訳（メタデータ） (2024-02-25T18:27:25Z)
• A Study of Forward-Forward Algorithm for Self-Supervised Learning [65.268245109828]
  本研究では,自己指導型表現学習におけるフォワードとバックプロパゲーションのパフォーマンスについて検討する。 我々の主な発見は、フォワードフォワードアルゴリズムが(自己教師付き)トレーニング中にバックプロパゲーションに相容れないように機能するのに対し、転送性能は研究されたすべての設定において著しく遅れていることである。
  論文  参考訳（メタデータ） (2023-09-21T10:14:53Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Masked Path Modeling for Vision-and-Language Navigation [41.7517631477082]
  ヴィジュアル・アンド・ランゲージ・ナビゲーション(VLN)エージェントは、自然言語の指示に従うことで現実世界の環境をナビゲートするように訓練されている。 以前のアプローチでは、トレーニング中に追加の監督を導入することでこの問題に対処しようと試みていた。 本稿では,下流ナビゲーションタスクに自己コンパイルデータを用いてエージェントを事前訓練する,マスク付きパスモデリング(MPM)手法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T17:20:20Z)
• On minimal variations for unsupervised representation learning [19.055611167696238]
  教師なし表現学習は、様々な下流タスクを解決するために、生データを効率的に記述することを目的としている。 教師なし表現学習の原則として最小限のバリエーションを考案することは、自己教師付き学習アルゴリズムの実践的ガイドラインを改善する道を開く。
  論文  参考訳（メタデータ） (2022-11-07T18:57:20Z)
• Weakly-supervised Temporal Path Representation Learning with Contrastive Curriculum Learning -- Extended Version [35.86394282979721]
  時間的情報、例えば出発時刻を含む時間的パス(TP)は、そのようなアプリケーションを可能にするために基本的なものである。 i) 教師付き手法ではトレーニング時に大量のタスク固有のラベルを必要とするため、既存の手法では目標達成に失敗し、得られたTPRを他のタスクに一般化することができない。 本稿では,時間的経路の空間的情報と時間的情報の両方をTPRにエンコードするWakly Supervised Contrastive (WSC)学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-30T07:36:20Z)
• Find a Way Forward: a Language-Guided Semantic Map Navigator [53.69229615952205]
  本稿では,新たな視点で言語誘導ナビゲーションの問題に対処する。 ロボットが自然言語の指示を実行し、地図観測に基づいて目標位置へ移動できるようにする。 提案手法は特に長距離ナビゲーションの場合において顕著な性能向上をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T07:40:33Z)
• Language-guided Navigation via Cross-Modal Grounding and Alternate Adversarial Learning [66.9937776799536]
  新たなビジョン・アンド・ランゲージナビゲーション(VLN)問題は、見えない写真リアリスティック環境において、エージェントがターゲットの場所に向かうことを学習することを目的としている。 VLNの主な課題は、主に2つの側面から生じている: まず、エージェントは動的に変化する視覚環境に対応する言語命令の有意義な段落に出席する必要がある。 そこで本稿では,エージェントにテキストと視覚の対応性を追跡する機能を持たせるために,クロスモーダルグラウンドモジュールを提案する。
  論文  参考訳（メタデータ） (2020-11-22T09:13:46Z)
• Photon-Driven Neural Path Guiding [102.12596782286607]
  本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。 我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。 提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
  論文  参考訳（メタデータ） (2020-10-05T04:54:01Z)
• Object-and-Action Aware Model for Visual Language Navigation [70.33142095637515]
  VLN(Vision-and-Language Navigation)は、比較的一般的な自然言語命令をロボットエージェントアクションに変換する必要があるという点で特徴的である。 本稿では、これらの2種類の自然言語に基づく命令を別々に処理するオブジェクト・アンド・アクション・アウェア・モデル(OAAM)を提案する。 これにより、各プロセスは、オブジェクト中心/アクション中心の命令を、自身の視覚的知覚/行動指向に柔軟に一致させることができる。
  論文  参考訳（メタデータ） (2020-07-29T06:32:18Z)

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。