論文の概要: A principled distributional approach to trajectory similarity measurement

• arxiv url: http://arxiv.org/abs/2301.00393v1
• Date: Sun, 1 Jan 2023 12:35:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 15:38:56.461707
• Title: A principled distributional approach to trajectory similarity measurement
• Title（参考訳）: 軌道類似度測定の原理的分布的アプローチ
• Authors: Yufan Wang, Kai Ming Ting, Yuanyi Shang
• Abstract要約: 本稿では,2つのトラジェクトリ間の類似度を分布カーネルを用いて測定し,トラジェクトリを表現する強力な手法を提案する。 分布カーネルは、軌道表現と類似度測定に初めて使用される。 本手法の一般性は, (a) 軌道異常検出, (b) 軌道異常検出, (c) 軌道パターンマイニングの3つの応用で示される。
• 参考スコア（独自算出の注目度）: 8.316979146894989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing measures and representations for trajectories have two longstanding fundamental shortcomings, i.e., they are computationally expensive and they can not guarantee the `uniqueness' property of a distance function: dist(X,Y) = 0 if and only if X=Y, where $X$ and $Y$ are two trajectories. This paper proposes a simple yet powerful way to represent trajectories and measure the similarity between two trajectories using a distributional kernel to address these shortcomings. It is a principled approach based on kernel mean embedding which has a strong theoretical underpinning. It has three distinctive features in comparison with existing approaches. (1) A distributional kernel is used for the very first time for trajectory representation and similarity measurement. (2) It does not rely on point-to-point distances which are used in most existing distances for trajectories. (3) It requires no learning, unlike existing learning and deep learning approaches. We show the generality of this new approach in three applications: (a) trajectory anomaly detection, (b) anomalous sub-trajectory detection, and (c) trajectory pattern mining. We identify that the distributional kernel has (i) a unique data-dependent property and the above uniqueness property which are the key factors that lead to its superior task-specific performance; and (ii) runtime orders of magnitude faster than existing distance measures.
• Abstract（参考訳）: 既存のトラジェクトリの測度と表現は、2つの長年の根本的な欠点、すなわち、それらは計算的に高価であり、距離関数の「特異性」の性質を保証できない:dist(X,Y) = 0 if and only if X=Y, where $X$ and $Y$ are two trajectories。 本稿では,2つのトラジェクトリ間の類似度を分布カーネルを用いて測定し,これらの欠点に対処する手法を提案する。 カーネル平均埋め込みに基づく原理的なアプローチであり、強力な理論的基盤を持つ。 既存のアプローチと比較して3つの特徴がある。 1) 分布カーネルは, 軌道表現および類似度測定において, 初めて用いられる。 2)既存の軌道のほとんどの距離で使われている点間距離に依存しない。 3)既存の学習法や深層学習法とは異なり、学習は不要である。 この新しいアプローチの一般性を3つの応用例で示す。 a)軌道異常検出。 (b)異常なサブトラジェリー検出、及び (c)軌道パターンマイニング。 我々は分布カーネルが持つものを特定する。 (i)一意なデータ依存特性と上記の一意性は、その優れたタスク固有の性能をもたらす重要な要因である。 (ii)既存の距離測度よりはるかに高速な実行順序。

関連論文リスト

• Learning Temporal Distances: Contrastive Successor Features Can Provide a Metric Structure for Decision-Making [66.27188304203217]
  時間的距離は、計画、制御、強化学習のための多くのアルゴリズムの中心にある。 このような時間的距離を設定内で定義しようとする以前の試みは、重要な制限によって妨げられている。 比較学習によって学習された後継特徴が,三角形の不等式を満たす時間的距離を形成することを示す。
  論文  参考訳（メタデータ） (2024-06-24T19:36:45Z)
• A Distribution-Based Threshold for Determining Sentence Similarity [0.0]
  本稿では,意味的テキスト類似性(STS)問題に対する解決法を提案する。 このソリューションは、シアムアーキテクチャに基づくニューラルネットワークの使用を中心に展開され、類似した文と異なる文のペア間の距離の分布を生成する。
  論文  参考訳（メタデータ） (2023-11-28T10:42:35Z)
• Distribution-Based Trajectory Clustering [14.781854651899705]
  軌道クラスタリングは、軌道データの共通パターンの発見を可能にする。 距離測定には高い計算コストと低い忠実度という2つの課題がある。 我々は,最近の分散カーネル(IDK)を3つの課題に対処するための主要なツールとして利用することを提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:28:34Z)
• Energy-Based Sliced Wasserstein Distance [47.18652387199418]
  スライスされたワッサーシュタイン(SW)距離の鍵成分はスライス分布である。 本研究では,スライシング分布をパラメータフリーなエネルギーベース分布として設計する。 次に、新しいスライスされたワッセルシュタイン計量、エネルギーベースのスライスされたワッセルシュタイン距離(EBSW)を導出する。
  論文  参考訳（メタデータ） (2023-04-26T14:28:45Z)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
  3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。 提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
  論文  参考訳（メタデータ） (2022-05-30T16:22:53Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
  kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。 これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
  論文  参考訳（メタデータ） (2021-09-29T22:54:17Z)
• Non-Asymptotic Performance Guarantees for Neural Estimation of $\mathsf{f}$-Divergences [22.496696555768846]
  統計的距離は確率分布の相似性を定量化する。 このようなデータからの距離を推定する現代的な方法は、ニューラルネットワーク(NN)による変動形態のパラメータ化と最適化に依存する。 本稿では,このトレードオフを非漸近誤差境界を用いて検討し,SDの3つの一般的な選択に焦点をあてる。
  論文  参考訳（メタデータ） (2021-03-11T19:47:30Z)
• Schoenberg-Rao distances: Entropy-based and geometry-aware statistical Hilbert distances [12.729120803225065]
  我々は、シェーンベルク-ラオ距離(Schoenberg-Rao distances)と呼ばれる統計ヒルベルト距離のクラスを研究する。 ガウス分布の混合物間の新しい閉形式距離を導出する。 提案手法はワッサーシュタイン距離の代替として実用的であり,その効率性は幅広い機械学習タスクで説明できる。
  論文  参考訳（メタデータ） (2020-02-19T18:48:33Z)

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。