Fugu-MT 論文翻訳(概要): Predicting Human Mobility via Self-supervised Disentanglement Learning

論文の概要: Predicting Human Mobility via Self-supervised Disentanglement Learning

arxiv url: http://arxiv.org/abs/2211.09625v1
Date: Thu, 17 Nov 2022 16:17:22 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 15:43:30.218323
Title: Predicting Human Mobility via Self-supervised Disentanglement Learning
Title（参考訳）: 自己教師型遠絡学習による人体移動予測
Authors: Qiang Gao, Jinyu Hong, Xovee Xu, Ping Kuang, Fan Zhou, Goce Trajcevski
Abstract要約: 本稿では,次のPOI予測問題に対処するため,SSDLと呼ばれる新しい解を提案する。本研究では,人間の本質的な周期性と常に変化する意図の理解を高めるために,二つの現実的な軌道拡張手法を提案する。 4つの実世界のデータセットで実施された大規模な実験により、提案したSSDLは最先端のアプローチよりも大幅に優れていることが示された。
参考スコア（独自算出の注目度）: 21.61423193132924
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks have recently achieved considerable improvements in learning human behavioral patterns and individual preferences from massive spatial-temporal trajectories data. However, most of the existing research concentrates on fusing different semantics underlying sequential trajectories for mobility pattern learning which, in turn, yields a narrow perspective on comprehending human intrinsic motions. In addition, the inherent sparsity and under-explored heterogeneous collaborative items pertaining to human check-ins hinder the potential exploitation of human diverse periodic regularities as well as common interests. Motivated by recent advances in disentanglement learning, in this study we propose a novel disentangled solution called SSDL for tackling the next POI prediction problem. SSDL primarily seeks to disentangle the potential time-invariant and time-varying factors into different latent spaces from massive trajectories data, providing an interpretable view to understand the intricate semantics underlying human diverse mobility representations. To address the data sparsity issue, we present two realistic trajectory augmentation approaches to enhance the understanding of both the human intrinsic periodicity and constantly-changing intents. In addition, we devise a POI-centric graph structure to explore heterogeneous collaborative signals underlying historical check-ins. Extensive experiments conducted on four real-world datasets demonstrate that our proposed SSDL significantly outperforms the state-of-the-art approaches -- for example, it yields up to 8.57% improvements on ACC@1.
Abstract（参考訳）: 深層ニューラルネットワークは、人間の行動パターンや、巨大な空間-時間的軌跡データから個人の嗜好を学習する上で、近年大幅に改善されている。しかし、既存の研究のほとんどは、移動パターン学習のシーケンシャルな軌跡に基づく異なる意味論を融合させることに集中しており、それによって人間の本質的な動きを理解するための狭い視点が得られる。加えて、人間のチェックインに関連する本質的にの疎外性と過度に探索された異種共同作業は、ヒトの多様な定期性や共通の関心事の潜在的利用を妨げる。本研究では,近年のジエンタングルメント学習の進展に動機づけられ,次のpoi予測問題に取り組むためのssdlと呼ばれる新しいジエンタングルソリューションを提案する。 SSDLは主に、潜在的な時間不変因子と時間変化因子を、巨大な軌跡データから異なる潜在空間に切り離し、人間の多様なモビリティ表現の基礎となる複雑な意味を理解するための解釈可能なビューを提供する。データスパーシティ問題に対処するために,人間の内在的周期性と絶えず変化する意図の両方を理解するための2つの現実的な軌道拡張手法を提案する。さらに,POI中心のグラフ構造を考案し,歴史的チェックインに基づく異種協調信号の探索を行う。 4つの実世界のデータセットで実施された大規模な実験は、提案されたSSDLが最先端のアプローチを大幅に上回っていることを示している。

関連論文リスト

Reinforcement Learning under Latent Dynamics: Toward Statistical and Algorithmic Modularity [51.40558987254471]
強化学習の現実的な応用は、エージェントが複雑な高次元の観察を行う環境を含むことが多い。本稿では,統計的・アルゴリズム的な観点から,textit General$ latent dynamicsの下での強化学習の課題に対処する。
論文参考訳（メタデータ） (2024-10-23T14:22:49Z)
CauSkelNet: Causal Representation Learning for Human Behaviour Analysis [6.880536510094897]
本研究では,人間の関節動態や複雑な動作をよりよく理解するために,因果推論に基づく表現学習手法を提案する。我々のアプローチは、人間の動作分析を前進させ、より適応的なインテリジェントヘルスケアソリューションの道を開く。
論文参考訳（メタデータ） (2024-09-23T21:38:49Z)
Large Language Models for Spatial Trajectory Patterns Mining [9.70298494476926]
大型言語モデル(LLM)は、人間に似た方法で推論する能力を示した。このことは、人間の移動における時間的パターンを解析する大きな可能性を示唆している。我々の研究は、人間の空間的軌跡解析のためのLSMの強度と限界についての洞察を提供する。
論文参考訳（メタデータ） (2023-10-07T23:21:29Z)
Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文参考訳（メタデータ） (2023-08-02T12:04:28Z)
STORM-GAN: Spatio-Temporal Meta-GAN for Cross-City Estimation of Human Mobility Responses to COVID-19 [17.611056163940404]
我々は, 都市間移動度推定問題に, 深層メタジェネレーション・フレームワークを用いて取り組む試みを初めて行った。 S-Temporal Meta-Generative Adrial Network (STORM-GAN) モデルを提案する。提案手法は推定性能を大幅に向上し,性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-20T15:55:41Z)
Multiple-level Point Embedding for Solving Human Trajectory Imputation with Prediction [7.681950806902859]
空間性は、人間の移動データを含む多くの軌跡データセットで一般的な問題である。この研究は、より良い結果を得るために、計算と予測の学習プロセスが互いの恩恵を受けるかどうかを調査する予定である。
論文参考訳（メタデータ） (2023-01-11T14:13:23Z)
A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
論文参考訳（メタデータ） (2022-11-16T20:00:38Z)
Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文参考訳（メタデータ） (2022-02-10T06:23:56Z)
Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文参考訳（メタデータ） (2021-09-06T13:10:37Z)
Disentangled Sequence Clustering for Human Intention Inference [40.46123013107865]
Disentangled Sequence Clustering Variational Autoencoder (DiSCVAE) Disentangled Sequence Clustering Variational Autoencoder (DiSCVAE)
論文参考訳（メタデータ） (2021-01-23T13:39:34Z)
Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。