論文の概要: One-shot Transfer Learning for Population Mapping

• arxiv url: http://arxiv.org/abs/2108.06228v2
• Date: Tue, 17 Aug 2021 17:48:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 13:31:56.901901
• Title: One-shot Transfer Learning for Population Mapping
• Title（参考訳）: 人口マッピングのためのワンショット転送学習
• Authors: Erzhuo Shao, Jie Feng, Yingheng Wang, Tong Xia and Yong Li
• Abstract要約: 本研究では,都市間における空間的時間的知識の伝達を目的とした,ワンショット・トランスファー学習フレームワークPSRNetを提案する。 4つの都市の実生活データセットの実験は、PSRNetが8つの最先端ベースラインに対して大きな優位性を持っていることを示している。
• 参考スコア（独自算出の注目度）: 10.530184452907902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained population distribution data is of great importance for many applications, e.g., urban planning, traffic scheduling, epidemic modeling, and risk control. However, due to the limitations of data collection, including infrastructure density, user privacy, and business security, such fine-grained data is hard to collect and usually, only coarse-grained data is available. Thus, obtaining fine-grained population distribution from coarse-grained distribution becomes an important problem. To tackle this problem, existing methods mainly rely on sufficient fine-grained ground truth for training, which is not often available for the majority of cities. That limits the applications of these methods and brings the necessity to transfer knowledge between data-sufficient source cities to data-scarce target cities. In knowledge transfer scenario, we employ single reference fine-grained ground truth in target city, which is easy to obtain via remote sensing or questionnaire, as the ground truth to inform the large-scale urban structure and support the knowledge transfer in target city. By this approach, we transform the fine-grained population mapping problem into a one-shot transfer learning problem. In this paper, we propose a novel one-shot transfer learning framework PSRNet to transfer spatial-temporal knowledge across cities from the view of network structure, the view of data, and the view of optimization. Experiments on real-life datasets of 4 cities demonstrate that PSRNet has significant advantages over 8 state-of-the-art baselines by reducing RMSE and MAE by more than 25%. Our code and datasets are released in Github (https://github.com/erzhuoshao/PSRNet-CIKM).
• Abstract（参考訳）: 細かな人口分布データは、都市計画、交通スケジューリング、流行モデル、リスクコントロールなど、多くのアプリケーションにとって非常に重要である。 しかしながら、インフラストラクチャ密度、ユーザのプライバシ、ビジネスセキュリティといったデータ収集の制限のため、このようなきめ細かいデータは収集が難しく、通常は粗いデータのみを利用できる。 このように粗粒度分布から細粒度人口分布を得ることが重要な問題となる。 この問題に対処するためには、既存の手法は主に訓練に十分なきめ細かい真実に依存しており、ほとんどの都市では利用できないことが多い。 これにより、これらの手法の適用が制限され、データ不足のソース都市からデータ対応のターゲット都市への知識の転送が必要となる。 情報伝達のシナリオでは, 遠隔センシングやアンケートで容易に得ることのできる, 対象都市における単一参照きめ細かな接地真理を, 大規模都市構造に通知し, 対象都市における知識伝達を支援する基盤真理として採用する。 このアプローチにより,細粒度人口マッピング問題をワンショット転送学習問題に変換する。 本稿では,ネットワーク構造,データビュー,最適化の視点から都市間における空間的時間的知識を伝達する,ワンショット・トランスファー学習フレームワークPSRNetを提案する。 4つの都市の実生活データセットの実験では、RMSEとMAEを25%以上削減することで、PSRNetは8つの最先端ベースラインに対して大きなアドバンテージを持っている。 私たちのコードとデータセットはGithub(https://github.com/erzhuoshao/PSRNet-CIKM)で公開されています。

関連論文リスト

• SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer [19.768107394061374]
  本稿では,交通予測に単一ソース市にのみ依存するSSMT(Single Source Meta-Transfer Learning)を提案する。 提案手法は, 限られたデータを持つ都市において, この伝達された知識を活用して, 数発の交通予報を可能にする。 我々は、ソースシティからの多様な時間的トラフィックパターンを活用することで、正弦波位置符号化の考え方を拡張し、メタラーニングタスクを確立する。
  論文  参考訳（メタデータ） (2024-10-21T02:17:25Z)
• Differentially Private Data Release on Graphs: Inefficiencies and Unfairness [48.96399034594329]
  本稿では,ネットワーク情報公開の文脈における偏見と不公平性に対する差別的プライバシの影響を特徴づける。 ネットワーク構造が全員に知られているネットワークリリースの問題を考えるが、エッジの重みをプライベートにリリースする必要がある。 我々の研究は、これらのネットワーク化された決定問題におけるプライバシーに起因する偏見と不公平性に関する理論的根拠と実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-08T08:37:37Z)
• Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
  拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。 拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。 提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
  論文  参考訳（メタデータ） (2024-01-25T07:28:22Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• A Cross-City Federated Transfer Learning Framework: A Case Study on Urban Region Profiling [24.103961649276584]
  本稿では,データ不足やプライバシー問題に対処する新しいクロスシティ・フェデレーション・トランスファー・ラーニング・フレームワーク(CcFTL)を提案する。 CcFTLは、複数のリッチデータソース都市から対象都市にリレーショナル知識を転送する。 都市域のプロファイリングをスマートシティの応用として捉え,提案手法を実世界の研究で評価する。
  論文  参考訳（メタデータ） (2022-05-31T12:41:01Z)
• Text-Based Person Search with Limited Data [66.26504077270356]
  テキストベースの人物検索(TBPS)は、画像ギャラリーから対象人物を記述的なテキストクエリで検索することを目的としている。 限られたデータによってもたらされる問題に対処する2つの新しいコンポーネントを持つフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:20:47Z)
• Unsupervised Finetuning [80.58625921631506]
  ソースデータとターゲットデータを組み合わせて教師なしの微調整を行うための2つの戦略を提案する。 前者の戦略の動機は、事前訓練された表現空間を占有するために、少量のソースデータを追加することである。 後者の戦略の動機は、データ密度を高め、よりコンパクトな表現を学ぶことにある。
  論文  参考訳（メタデータ） (2021-10-18T17:57:05Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Population Mapping in Informal Settlements with High-Resolution Satellite Imagery and Equitable Ground-Truth [1.4414055798999759]
  低所得都市部における密集集落の人口推定のための一般化可能な枠組みを提案する。 我々は,地域コミュニティと連携して収集される等質な地平データを用いている。 本研究では,フレキシブルでカスタマイズ可能な空間分解能を実現するグリッド型人口推定モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-17T16:37:32Z)

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。