論文の概要: Detecting Fake Points of Interest from Location Data
- arxiv url: http://arxiv.org/abs/2111.06003v1
- Date: Thu, 11 Nov 2021 00:39:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-13 01:23:18.744979
- Title: Detecting Fake Points of Interest from Location Data
- Title(参考訳): 位置情報から偽の関心点を検出する
- Authors: Syed Raza Bashir, Vojislav Misic
- Abstract要約: 提案した研究は、教師付き学習手法と、位置情報に基づくデータに隠されたパターンを見つける能力に焦点を当てている。
目的は,Multi-Layer Perceptron (MLP) 法を用いてPOIの真偽を予測することである。
提案手法は従来の分類法, 頑健で最近のディープニューラル法と比較される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The pervasiveness of GPS-enabled mobile devices and the widespread use of
location-based services have resulted in the generation of massive amounts of
geo-tagged data. In recent times, the data analysis now has access to more
sources, including reviews, news, and images, which also raises questions about
the reliability of Point-of-Interest (POI) data sources. While previous
research attempted to detect fake POI data through various security mechanisms,
the current work attempts to capture the fake POI data in a much simpler way.
The proposed work is focused on supervised learning methods and their
capability to find hidden patterns in location-based data. The ground truth
labels are obtained through real-world data, and the fake data is generated
using an API, so we get a dataset with both the real and fake labels on the
location data. The objective is to predict the truth about a POI using the
Multi-Layer Perceptron (MLP) method. In the proposed work, MLP based on data
classification technique is used to classify location data accurately. The
proposed method is compared with traditional classification and robust and
recent deep neural methods. The results show that the proposed method is better
than the baseline methods.
- Abstract(参考訳): GPS対応モバイルデバイスの普及と位置情報サービスの普及により、大量のジオタグ付きデータが生成されるようになった。
近年、データ分析はレビュー、ニュース、画像など多くのソースにアクセスでき、POI(Point-of-Interest)データソースの信頼性に関する疑問も提起されている。
これまでの研究では、さまざまなセキュリティメカニズムを通じて偽のPOIデータを検出しようとしたが、現在の作業では、偽のPOIデータをはるかに単純な方法でキャプチャしようと試みていた。
提案する研究は,教師付き学習手法と,その位置に基づくデータに隠れたパターンを見つける能力に着目したものである。
地上の真理ラベルは実世界のデータから取得され、偽のデータはAPIを使って生成されるので、位置データ上に実際のラベルと偽のラベルの両方でデータセットを得る。
目的は,Multi-Layer Perceptron (MLP) 法を用いてPOIの真偽を予測することである。
提案手法では,位置データを正確に分類するために,データ分類に基づくMLPを用いる。
提案手法は,従来の分類法,ロバスト法,および近年の深層神経法と比較した。
その結果,提案手法はベースライン法よりも優れていることがわかった。
関連論文リスト
- Deep Homography Estimation for Visual Place Recognition [51.70437924779968]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳(メタデータ) (2024-02-25T13:22:17Z) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳(メタデータ) (2023-07-20T15:21:28Z) - BED: Bi-Encoder-Based Detectors for Out-of-Distribution Detection [0.43891501568660135]
本稿では,バイエンコーダを用いた検出器を用いた新しい手法を提案する。
NLPにおける様々なアウト・オブ・ディストリビューション(OOD)検出法を比較した総合的研究を行った。
提案されたバイエンコーダベースの検出器は、トレーニングでOODラベルを必要とするものと、そうでないものの両方において、他の方法よりも優れている。
トレーニングプロセスの単純さと優れた検出性能により、現実のシナリオに適用できる。
論文 参考訳(メタデータ) (2023-06-15T04:41:28Z) - DeepStay: Stay Region Extraction from Location Trajectories using Weak
Supervision [4.243592852049962]
モバイル端末は、ユーザの位置の絶え間ない追跡を可能にし、個人的関心点(POI)を推測するために、位置トラジェクトリを使用することができる。
POIを抽出する一般的な方法は、ユーザーがかなりの時間を費やしている領域を最初に識別することである。
SR抽出に対する一般的なアプローチは、教師なしまたは小規模のプライベートデータセットで評価される。
本稿では、位置軌跡を学習し、滞在領域を予測するDeepStayと呼ばれる弱い自己教師型トランスフォーマーモデルを提案する。
論文 参考訳(メタデータ) (2023-06-05T11:16:47Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2022-10-11T08:24:50Z) - Delving into Sequential Patches for Deepfake Detection [64.19468088546743]
近年の顔偽造技術は、ほとんど追跡不可能なディープフェイクビデオを生み出しており、悪意のある意図で活用することができる。
従来の研究では、ディープフェイク法にまたがる一般化を追求する上で、局所的な低レベルな手がかりと時間的情報の重要性が指摘されてきた。
本稿では,局所的・時間的変換をベースとしたDeepfake Detectionフレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-06T16:46:30Z) - Towards Meta-learned Algorithm Selection using Implicit Fidelity
Information [13.750624267664156]
IMFASは、計算コストの低い任意のメタ機能によって容易に豊かになる情報的ランドマークを生産する。
テスト期間中に、ほぼ半分の忠実度シーケンスでSuccessive Halvingを破ることができることを示す。
論文 参考訳(メタデータ) (2022-06-07T09:14:24Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳(メタデータ) (2021-11-30T18:42:42Z) - Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。
提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。
我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文 参考訳(メタデータ) (2021-07-01T09:26:13Z) - Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized
Distance [30.452492118887182]
ドメイン適応とは、ソースデータから学習したモデルを対象データに適用する学習シナリオを指す。
ソースデータとターゲットデータとの分布差は、適応性能に大きく影響する。
多層共役核距離測定値に基づく深層対向領域適応モデルを提案する。
論文 参考訳(メタデータ) (2020-10-09T02:32:48Z)
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。