論文の概要: Where You Are Is What You Do: On Inferring Offline Activities From
Location Data
- arxiv url: http://arxiv.org/abs/2301.13537v2
- Date: Mon, 25 Sep 2023 23:36:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 18:17:13.780778
- Title: Where You Are Is What You Do: On Inferring Offline Activities From
Location Data
- Title(参考訳): どこにいるか:位置情報からオフラインのアクティビティを推測する
- Authors: Alameen Najjar, Kyle Mede
- Abstract要約: 本研究では、位置データから基本的なオフラインアクティビティを推定する最新の機械学習アルゴリズムの能力について検討する。
我々は、手作業における最先端の機械学習が優れていることを実証的に示す(F1スコア>0.9)。
文献の既存のギャップを埋めるだけでなく、そのような能力の潜在的なリスクも浮き彫りにする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper we investigate the ability of modern machine learning
algorithms in inferring basic offline activities,~e.g., shopping and dining,
from location data. Using anonymized data of thousands of users of a prominent
location-based social network, we empirically demonstrate that not only
state-of-the-art machine learning excels at the task at hand~(F1 score>0.9) but
also tabular models are among the best performers. The findings we report here
not only fill an existing gap in the literature, but also highlight the
potential risks of such capabilities given the ubiquity of location data and
the high accessibility of tabular machine learning models.
- Abstract(参考訳): 本稿では,現代の機械学習アルゴリズムが位置データからオフライン活動(ショッピングやダイニングなど)を推定する能力について検討する。
著名な位置情報ベースのソーシャルネットワークの数千人のユーザーによる匿名データを用いて、最先端の機械学習が手作業で優れているだけでなく、表型モデルも優れたパフォーマーであることを示す。
ここでは、文献の既存のギャップを埋めるだけでなく、位置情報の多様さや、表型機械学習モデルのアクセシビリティが高いことから、そのような能力の潜在的なリスクを浮き彫りにする。
関連論文リスト
- RESTOR: Knowledge Recovery through Machine Unlearning [71.75834077528305]
Webスケールコーパスでトレーニングされた大規模な言語モデルは、望ましくないデータポイントを記憶することができる。
訓練されたモデルからこれらのデータポイントを「消去」することを目的とした、多くの機械学習手法が提案されている。
以下に示す次元に基づいて,機械学習のためのRESTORフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-31T20:54:35Z) - TabGraphs: A Benchmark and Strong Baselines for Learning on Graphs with Tabular Node Features [17.277932238538302]
タブラル機械学習はグラフ機械学習の手法の恩恵を受けるかもしれない。
グラフニューラルネットワーク(GNN)は、予測性能が向上することが多い。
単純な機能前処理により、GNNと競合し、さらに性能も向上する。
論文 参考訳(メタデータ) (2024-09-22T15:53:19Z) - A Machine Learning Ensemble Model for the Detection of Cyberbullying [0.32634122554913997]
本稿では,攻撃的ツイートのバイナリラベルを検出する自動システムの開発に寄与する。
そこで我々は,4つの特徴抽出手法を用いて,積み重ねアンサンブル機械学習手法を適用し,性能を最適化した。
論文 参考訳(メタデータ) (2024-02-19T20:55:12Z) - Harnessing the Power of Text-image Contrastive Models for Automatic
Detection of Online Misinformation [50.46219766161111]
誤情報識別の領域における構成的学習を探求する自己学習モデルを構築した。
本モデルでは、トレーニングデータが不十分な場合、非マッチング画像-テキストペア検出の優れた性能を示す。
論文 参考訳(メタデータ) (2023-04-19T02:53:59Z) - Embeddings for Tabular Data: A Survey [8.010589283146222]
タブラルデータは、同じ列(属性)のセットを持つ行(サンプル)を含む
テーブルは、さまざまな産業や学界でデータを保存する自然な方法になりつつある。
新しい研究の行は、様々なデータベースタスクをサポートするために様々な学習技術を適用している。
論文 参考訳(メタデータ) (2023-02-23T04:37:49Z) - Localized Shortcut Removal [4.511561231517167]
保持されたテストデータのハイパフォーマンスは、モデルを一般化したり、意味のあるものを学ぶことを必ずしも示さない。
これはしばしば、機械学習のショートカットの存在が原因である。
我々は、逆向きに訓練されたレンズを用いて、画像中の非常に予測的だが意味的に無関係な手がかりを検出し、排除する。
論文 参考訳(メタデータ) (2022-11-24T13:05:33Z) - On Inferring User Socioeconomic Status with Mobility Records [61.0966646857356]
本稿では,DeepSEIと呼ばれる,社会経済に配慮したディープモデルを提案する。
DeepSEIモデルはディープネットワークとリカレントネットワークと呼ばれる2つのネットワークを組み込んでいる。
実際の移動記録データ、POIデータ、住宅価格データについて広範な実験を行う。
論文 参考訳(メタデータ) (2022-11-15T15:07:45Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳(メタデータ) (2021-01-16T23:45:02Z) - Multimodal Prototypical Networks for Few-shot Learning [20.100480009813953]
クロスモーダルな機能生成フレームワークは、数ショットのシナリオにおいて、人口密度の低い埋め込みスペースを強化するために使用される。
このような場合、近隣の分類は実現可能なアプローチであり、最先端のシングルモーダルおよびマルチモーダルの複数ショット学習方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-17T19:32:59Z) - COG: Connecting New Skills to Past Experience with Offline Reinforcement
Learning [78.13740204156858]
我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。
我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。
我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
論文 参考訳(メタデータ) (2020-10-27T17:57:29Z) - Bayesian active learning for production, a systematic study and a
reusable library [85.32971950095742]
本稿では,現在のアクティブラーニング技術の主な欠点について分析する。
実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。
部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
論文 参考訳(メタデータ) (2020-06-17T14:51:11Z)
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。