論文の概要: Trajectory-User Linking Is Easier Than You Think

• arxiv url: http://arxiv.org/abs/2212.07081v1
• Date: Wed, 14 Dec 2022 08:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 17:38:59.558665
• Title: Trajectory-User Linking Is Easier Than You Think
• Title（参考訳）: 軌道ユーザリンクは想像以上に簡単
• Authors: Alameen Najjar, Kyle Mede
• Abstract要約: Trajectory-User Linking (TUL) は比較的新しいモビリティ分類タスクである。 生データに直接適用される単純な表現は、TULを解くのに十分であることを示す。 TULを100万以上のユーザにスケールアップすることは、最先端の3桁以上の増加になります。
• 参考スコア（独自算出の注目度）: 0.45687771576879593
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Trajectory-User Linking (TUL) is a relatively new mobility classification task in which anonymous trajectories are linked to the users who generated them. With applications ranging from personalized recommendations to criminal activity detection, TUL has received increasing attention over the past five years. While research has focused mainly on learning deep representations that capture complex spatio-temporal mobility patterns unique to individual users, we demonstrate that visit patterns are highly unique among users and thus simple heuristics applied directly to the raw data are sufficient to solve TUL. More specifically, we demonstrate that a single check-in per trajectory is enough to correctly predict the identity of the user up to 85% of the time. Moreover, by using a non-parametric classifier, we scale up TUL to over 100k users which is an increase over state-of-the-art by three orders of magnitude. Extensive empirical analysis on four real-world datasets (Brightkite, Foursquare, Gowalla and Weeplaces) compares our findings to state-of-the-art results, and more importantly validates our claim that TUL is easier than commonly believed.
• Abstract（参考訳）: track-user link (tul) は比較的新しいモビリティ分類タスクであり、匿名のトラジェクタが生成したユーザとリンクされる。 パーソナライズされたレコメンデーションから犯罪行為の検出に至るまで、TULは過去5年間で注目されている。 個々のユーザ特有の複雑な時空間的モビリティパターンを抽出する深層表現の学習を中心に研究が行われてきたが、訪問パターンはユーザ間で非常にユニークなものであり、生データに直接適用される単純なヒューリスティックはTULを解くのに十分であることを示す。 より具体的には、トラジェクトリ毎に1つのチェックインが、ユーザのアイデンティティを最大85%まで正確に予測するのに十分であることを示す。 さらに,非パラメトリック分類器を用いることで,TULを100万以上のユーザにスケールアップする。 実世界の4つのデータセット(Brightkite、Foursquare、Gowalla、Weeplaces)に関する大規模な実証分析は、私たちの発見を最先端の結果と比較し、より重要なのは、TULは一般的に信じられているよりも容易である、という私たちの主張を検証することです。

関連論文リスト

• Weak-Annotation of HAR Datasets using Vision Foundation Models [9.948823510429902]
  本稿では,アノテータがアノテータに注釈を付ける必要のあるデータの量を大幅に削減する,新しいクラスタリングベースのアノテーションパイプラインを提案する。 提案手法を用いることで,3つのHARベンチマークデータセットに対して平均的なラベル付け精度を90%近い精度で達成できることがわかった。
  論文  参考訳（メタデータ） (2024-08-09T16:46:53Z)
• Contrastive Multiple Instance Learning for Weakly Supervised Person ReID [50.04900262181093]
  本稿では、より効果的に教師付きされたReIDに適した新しいフレームワークであるContrastive Multiple Instance Learning (CMIL)を紹介する。 CMILは、対照的な損失を生かしながら、単一のモデルと擬似ラベルを必要とせず、自分自身を区別する。 PerformancePhoto.coの実際のアプリケーションから自然に発生する弱いラベルを特徴とするMUDDデータセットの拡張であるWL-MUDDデータセットをリリースする。
  論文  参考訳（メタデータ） (2024-02-12T14:48:31Z)
• GTA: Guided Transfer of Spatial Attention from Object-Centric Representations [3.187381965457262]
  空間的注意の誘導伝達 (GTA) と呼ばれる, 新規かつ簡易な ViT 正規化手法を提案する。 実験結果から,提案したGTAは,トレーニングデータが少ない場合,特に5つのベンチマークデータセットの精度を一貫して向上することが示された。
  論文  参考訳（メタデータ） (2024-01-05T06:24:41Z)
• SeGA: Preference-Aware Self-Contrastive Learning with Prompts for Anomalous User Detection on Twitter [14.483830120541894]
  本稿では,ユーザの異常検出のための自己コントラスト学習であるSeGAを提案する。 SeGAは、投稿を通じてユーザの好みを要約するために、大きな言語モデルを使用する。 モデル設計と事前学習戦略の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-12-17T05:35:28Z)
• A Large Scale Search Dataset for Unbiased Learning to Rank [51.97967284268577]
  我々は、非バイアス学習のためのBaidu-ULTRデータセットをランク付けする。 ランダムに12億の検索セッションと7,008のエキスパートアノテートクエリをサンプリングする。 1)本来のセマンティックな特徴と,使用が容易な事前学習言語モデル,(2)位置,表示高さ,抽象表現などの十分な表示情報,(3)居住時間のような検索結果ページ(SERP)に対するリッチなユーザフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-07-07T02:37:25Z)
• SURF: Semi-supervised Reward Learning with Data Augmentation for Feedback-efficient Preference-based Reinforcement Learning [168.89470249446023]
  我々は、大量のラベルなしサンプルとデータ拡張を利用する半教師付き報酬学習フレームワークSURFを提案する。 報奨学習にラベルのないサンプルを活用するために,選好予測器の信頼性に基づいてラベルのないサンプルの擬似ラベルを推定する。 本実験は, ロボット操作作業における嗜好に基づく手法のフィードバック効率を有意に向上させることを実証した。
  論文  参考訳（メタデータ） (2022-03-18T16:50:38Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。