論文の概要: Mutual Distillation Learning Network for Trajectory-User Linking
- arxiv url: http://arxiv.org/abs/2205.03773v1
- Date: Sun, 8 May 2022 03:50:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 14:11:54.795712
- Title: Mutual Distillation Learning Network for Trajectory-User Linking
- Title(参考訳): 軌道ユーザリンクのための相互蒸留学習ネットワーク
- Authors: Wei Chen and Shuzhe Li and Chao Huang and Yanwei Yu and Yongguo Jiang
and Junyu Dong
- Abstract要約: Trajectory-User Linking (TUL) は、チェックインモビリティデータのばらつきが問題となっている。
そこで本研究では,Mentual 蒸留学習ネットワークを提案する。
- 参考スコア(独自算出の注目度): 30.954285341714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory-User Linking (TUL), which links trajectories to users who generate
them, has been a challenging problem due to the sparsity in check-in mobility
data. Existing methods ignore the utilization of historical data or rich
contextual features in check-in data, resulting in poor performance for TUL
task. In this paper, we propose a novel Mutual distillation learning network to
solve the TUL problem for sparse check-in mobility data, named MainTUL.
Specifically, MainTUL is composed of a Recurrent Neural Network (RNN)
trajectory encoder that models sequential patterns of input trajectory and a
temporal-aware Transformer trajectory encoder that captures long-term time
dependencies for the corresponding augmented historical trajectories. Then, the
knowledge learned on historical trajectories is transferred between the two
trajectory encoders to guide the learning of both encoders to achieve mutual
distillation of information. Experimental results on two real-world check-in
mobility datasets demonstrate the superiority of MainTUL against
state-of-the-art baselines. The source code of our model is available at
https://github.com/Onedean/MainTUL.
- Abstract(参考訳): トラジェクタとトラジェクタを生成するユーザをリンクするtul(traveal-user link)は,チェックインモビリティデータのスパース性が問題となっている。
既存の手法は、チェックインデータにおける履歴データやリッチなコンテキスト特徴の利用を無視するので、TULタスクの性能は低下する。
本論文では,Mentual 蒸留学習ネットワークを提案し,MainTUL という名前のスパースチェックインモビリティデータに対する TUL 問題を解く。
具体的には、入力トラジェクトリの逐次パターンをモデル化するリカレントニューラルネットワーク(RNN)トラジェクトリエンコーダと、対応する拡張履歴トラジェクトリの長期的依存関係をキャプチャする時間認識トランスフォーマートラジェクトリエンコーダで構成される。
そして、2つの軌跡エンコーダ間で歴史的軌跡に関する知識を伝達し、両エンコーダの学習を誘導し、情報の相互蒸留を行う。
2つの実世界のチェックインモビリティデータセットの実験結果は、最先端のベースラインに対するMainTULの優位性を示している。
私たちのモデルのソースコードはhttps://github.com/Onedean/MainTULで公開されています。
関連論文リスト
- Diffusion-based Neural Network Weights Generation [85.6725307453325]
データセット条件付き事前学習重み抽出による効率よく適応的な伝達学習手法を提案する。
具体的には、ニューラルネットワークの重みを再構築できる変分オートエンコーダを備えた潜時拡散モデルを用いる。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Enhancing Cross-Dataset Performance of Distracted Driving Detection With
Score-Softmax Classifier [7.302402275736439]
ディープニューラルネットワークは、車内ドライバのリアルタイム監視を可能にし、気晴らし、疲労、潜在的な危険のタイムリーな予測を容易にする。
最近の研究では、オーバーフィッティングによる信頼性の低いクロスデータセットのエンドツーエンドドライバの動作認識が明らかにされている。
Score-Softmax分類器を導入し、クラス間独立性とクラス内不確実性を高めることでこの問題に対処する。
論文 参考訳(メタデータ) (2023-10-08T15:28:01Z) - Convolutional Neural Networks for the classification of glitches in
gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。
どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。
また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文 参考訳(メタデータ) (2023-03-24T11:12:37Z) - DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate
Time Series Data [0.0]
本稿では,DTAADの異常検出と診断モデルを提案する。
6つのデータセットに対する実験により、DTAADは検出および診断性能の両方において、現在最も先進的なベースライン法を超えていることが確認された。
DTAADはF1のスコアを8.38%で改善し、ベースラインに比べてトレーニング時間を99%下げた。
論文 参考訳(メタデータ) (2023-02-17T06:59:45Z) - Characterization of anomalous diffusion through convolutional
transformers [0.8984888893275713]
本稿では, 異常拡散のキャラクタリゼーションのためのトランスフォーマーに基づくニューラルネットワークアーキテクチャを提案する。
新たなアーキテクチャであるConvTransformer(ConvTransformer)は、二層畳み込みニューラルネットワークを使用して、拡散軌道から特徴を抽出します。
我々は,ConvTransformerが,短い軌跡において,基礎となる拡散状態を決定する上で,従来の技術よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-10T18:53:13Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - Hybridization of Capsule and LSTM Networks for unsupervised anomaly
detection on multivariate data [0.0]
本稿では,Long-Short-Term-Memory(LSTM)とCapsule Networksを1つのネットワークに結合した新しいNNアーキテクチャを提案する。
提案手法は教師なし学習手法を用いて大量のラベル付きトレーニングデータを見つける際の問題を克服する。
論文 参考訳(メタデータ) (2022-02-11T10:33:53Z) - Probing transfer learning with a model of synthetic correlated datasets [11.53207294639557]
トランスファーラーニングはニューラルネットワークのサンプル効率を大幅に向上させることができる。
我々は、データセット間の相関をモデル化するためのフレームワークとして、合成データの解決可能なモデルを再考する。
本研究では,本モデルが実データを用いた伝達学習の多彩な特徴を捉えることができることを示す。
論文 参考訳(メタデータ) (2021-06-09T22:15:41Z) - PlayVirtual: Augmenting Cycle-Consistent Virtual Trajectories for
Reinforcement Learning [84.30765628008207]
本稿では,RL特徴表現学習におけるデータ効率を向上させるために,サイクル一貫性のある仮想トラジェクトリを付加するPlayVirtualという新しい手法を提案する。
本手法は,両ベンチマークにおいて,最先端の手法よりも高い性能を示す。
論文 参考訳(メタデータ) (2021-06-08T07:37:37Z) - Cascaded Regression Tracking: Towards Online Hard Distractor
Discrimination [202.2562153608092]
本稿では,2段階の逐次回帰トラッカーを提案する。
第1段階では, 容易に同定可能な負の候補を抽出する。
第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
論文 参考訳(メタデータ) (2020-06-18T07:48:01Z) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳(メタデータ) (2020-05-08T21:32:42Z)
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。