論文の概要: A Cross-City Federated Transfer Learning Framework: A Case Study on
Urban Region Profiling
- arxiv url: http://arxiv.org/abs/2206.00007v1
- Date: Tue, 31 May 2022 12:41:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 15:47:10.035369
- Title: A Cross-City Federated Transfer Learning Framework: A Case Study on
Urban Region Profiling
- Title(参考訳): 都市間フェデレーション・トランスファー学習フレームワーク:都市部プロファイリングを事例として
- Authors: Gaode Chen, Yijun Su, Xinghua Zhang, Anmin Hu, Guochun Chen, Siyuan
Feng, Ji Xiang, Junbo Zhang, Yu Zheng
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 24.103961649276584
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data insufficiency problem (i.e., data missing and label scarcity issues)
caused by inadequate services and infrastructures or unbalanced development
levels of cities has seriously affected the urban computing tasks in real
scenarios. Prior transfer learning methods inspire an elegant solution to the
data insufficiency, but are only concerned with one kind of insufficiency issue
and fail to fully explore these two issues existing in the real world. In
addition, cross-city transfer in existing methods overlooks the inter-city data
privacy which is a public concern in practical application. To address the
above challenging problems, we propose a novel Cross-city Federated Transfer
Learning framework (CcFTL) to cope with the data insufficiency and privacy
problems. Concretely, CcFTL transfers the relational knowledge from multiple
rich-data source cities to the target city. Besides, the model parameters
specific to the target task are firstly trained on the source data and then
fine-tuned to the target city by parameter transfer. With our adaptation of
federated training and homomorphic encryption settings, CcFTL can effectively
deal with the data privacy problem among cities. We take the urban region
profiling as an application of smart cities and evaluate the proposed method
with a real-world study. The experiments demonstrate the notable superiority of
our framework over several competitive state-of-the-art models.
- Abstract(参考訳): データ不足問題(すなわち、不適切なサービスやインフラや都市の不均衡な開発レベルに起因するデータ不足やラベル不足の問題)は、実際のシナリオにおける都市コンピューティングのタスクに深刻な影響を与えている。
事前転送学習手法はデータ不足に対するエレガントな解決策を刺激するが、それは1つの障害の問題にのみ関心を持ち、現実世界に存在するこれらの2つの問題を十分に探求することができない。
さらに、既存手法における都市間転送は、実践的なアプリケーションにおいて公的な関心事である都市間データプライバシを見落としている。
上記の課題に対処するため,我々は,データ不足とプライバシ問題に対処するための新しい都市間連帯転送学習フレームワーク (ccftl) を提案する。
具体的には、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。
さらに、ターゲットタスクに固有のモデルパラメータは、まずソースデータでトレーニングされ、次にパラメータ転送によってターゲット都市に微調整される。
フェデレーショントレーニングと同型暗号化設定の適応により、CcFTLは都市間のデータプライバシー問題に効果的に対処できる。
我々は,スマートシティの応用として都市域のプロファイリングを行い,提案手法を実世界調査により評価する。
この実験は、いくつかの競争状態のモデルに対して、我々のフレームワークの顕著な優位性を示しています。
関連論文リスト
- COLA: Cross-city Mobility Transformer for Human Trajectory Simulation [44.157114416533915]
モデル非依存転送フレームワークを用いた都市間mObiLity trAnsformer (COLA) を開発した。
COLAはトランスフォーマーを、都市固有の特性のためのプライベートモジュールと、都市・ユニバーサルモビリティパターンのための共有モジュールに分割する。
実装された都市間ベースラインは,その優位性と有効性を示している。
論文 参考訳(メタデータ) (2024-03-04T07:45:29Z) - Towards Urban General Intelligence: A Review and Outlook of Urban
Foundation Models [26.517572366783384]
ChatGPTのような基盤モデルの近年の出現は、機械学習と人工知能の分野で革命的な変化を示している。
アーバン・ファンデーション・モデルへの関心が高まりつつあるにもかかわらず、この急成長する分野は明確な定義の欠如、体系的なレビュー、普遍化可能なソリューションといった課題に直面している。
本稿では,都市データモダリティとタイプに基づいて,現在のUFM関連研究を分類するデータ中心分類法を提案する。
論文 参考訳(メタデータ) (2024-01-30T04:48:16Z) - Cross-City Matters: A Multimodal Remote Sensing Benchmark Dataset for
Cross-City Semantic Segmentation using High-Resolution Domain Adaptation
Networks [82.82866901799565]
我々は,都市間セマンティックセマンティックセグメンテーションタスクの研究を目的とした,新しいマルチモーダルリモートセンシングベンチマークデータセット(ハイパースペクトル,マルチスペクトル,SARを含む)を構築した。
単一都市に留まらず,多都市環境からAIモデルの一般化能力を促進するため,高解像度なドメイン適応ネットワークであるHighDANを提案する。
高DANは, 並列高分解能融合方式で, 都市景観の空間的トポロジカルな構造を良好に維持することができる。
論文 参考訳(メタデータ) (2023-09-26T23:55:39Z) - Cross-City Traffic Prediction via Semantic-Fused Hierarchical Graph
Transfer Learning [17.0011029870241]
近年,データ駆動手法はトラヒック予測や従来の手法よりも優れている。
この問題に対処するために、トランスファーラーニングにより、データ豊富な都市からデータに富む都市へメタ知識を抽出することができる。
本稿では,意味を融合した都市間における知識伝達を実現するために,セマンティック・フューズド・階層型グラフ転送学習モデルを提案する。
論文 参考訳(メタデータ) (2023-02-23T04:26:34Z) - A Transformer Framework for Data Fusion and Multi-Task Learning in Smart
Cities [99.56635097352628]
本稿では,新興スマートシティを対象としたトランスフォーマーベースのAIシステムを提案する。
ほぼ全ての入力データと出力タスクタイプをサポートし、現在のS&CCをサポートする。
S&CC環境を代表する多様なタスクセットを学習して実演する。
論文 参考訳(メタデータ) (2022-11-18T20:43:09Z) - Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge
Transfer [58.6106391721944]
クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。
本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。
本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
論文 参考訳(メタデータ) (2022-05-27T12:46:52Z) - One-shot Transfer Learning for Population Mapping [10.530184452907902]
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。
論文 参考訳(メタデータ) (2021-08-13T13:19:09Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z) - CityNet: A Multi-city Multi-modal Dataset for Smart City Applications [33.42581185977997]
CityNetは、7つの都市からのデータを含むマルチモーダルな都市データセットで、それぞれが3つのデータソースから来ている。
CityNetの利用を容易にするため、我々は広範囲にわたる機械学習実験を実施している。
時間的予測、伝達学習、強化学習。
論文 参考訳(メタデータ) (2021-06-30T04:05:51Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳(メタデータ) (2021-04-30T12:47:52Z)
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。