論文の概要: LightPath: Lightweight and Scalable Path Representation Learning
- arxiv url: http://arxiv.org/abs/2307.10171v1
- Date: Wed, 19 Jul 2023 17:57:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 12:59:58.631702
- Title: LightPath: Lightweight and Scalable Path Representation Learning
- Title(参考訳): LightPath:軽量でスケーラブルなパス表現学習
- Authors: Sean Bin Yang, Jilin Hu, Chenjuan Guo, Bin Yang and Christian S.
Jensen
- Abstract要約: 軽量でスケーラブルな経路表現学習フレームワークであるLightPathを提案する。
まず,そのフレームワークがパス長に対して優れたスケーラビリティを実現するためのスパースオートエンコーダを提案する。
次に,より堅牢なスパースパスエンコーダの高速なトレーニングを実現するための関係推論フレームワークを提案する。
- 参考スコア(独自算出の注目度): 26.916398258535036
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Movement paths are used widely in intelligent transportation and smart city
applications. To serve such applications, path representation learning aims to
provide compact representations of paths that enable efficient and accurate
operations when used for different downstream tasks such as path ranking and
travel cost estimation. In many cases, it is attractive that the path
representation learning is lightweight and scalable; in resource-limited
environments and under green computing limitations, it is essential. Yet,
existing path representation learning studies focus on accuracy and pay at most
secondary attention to resource consumption and scalability.
We propose a lightweight and scalable path representation learning framework,
termed LightPath, that aims to reduce resource consumption and achieve
scalability without affecting accuracy, thus enabling broader applicability.
More specifically, we first propose a sparse auto-encoder that ensures that the
framework achieves good scalability with respect to path length. Next, we
propose a relational reasoning framework to enable faster training of more
robust sparse path encoders. We also propose global-local knowledge
distillation to further reduce the size and improve the performance of sparse
path encoders. Finally, we report extensive experiments on two real-world
datasets to offer insight into the efficiency, scalability, and effectiveness
of the proposed framework.
- Abstract(参考訳): 移動経路はインテリジェント交通やスマートシティの用途で広く利用されている。
このようなアプリケーションを実現するために、経路表現学習は、経路ランキングや旅行コスト推定といった下流の様々なタスクに使用する場合、効率よく正確な操作を可能にする経路のコンパクトな表現を提供することを目的としている。
多くの場合、経路表現学習が軽量でスケーラブルであることは魅力的であり、資源制限のある環境やグリーンコンピューティングの制約下では、必須である。
しかし,既存の経路表現学習研究は精度を重視し,資源消費とスケーラビリティに最も注意を払っている。
本研究では,リソース消費量を削減し,精度に影響を与えずにスケーラビリティを実現することを目的とした,軽量でスケーラブルな経路表現学習フレームワークlightpathを提案する。
より具体的には、我々はまず、パス長に関して優れたスケーラビリティを実現するためのスパースオートエンコーダを提案する。
次に,より堅牢なスパースパスエンコーダの高速トレーニングを可能にする関係推論フレームワークを提案する。
また,より小型化とスパースパスエンコーダの性能向上を図るため,グローバルな知識蒸留も提案する。
最後に,提案フレームワークの効率,スケーラビリティ,有効性に関する洞察を提供するため,実世界の2つのデータセットに関する広範な実験を報告する。
関連論文リスト
- LightTR: A Lightweight Framework for Federated Trajectory Recovery [15.767265437130586]
道路網情報のない自由空間における低サンプリング軌道に基づいて高サンプリング軌道を復元することを目的としている。
クライアントサーバアーキテクチャに基づくフェデレーショントラジェクトリリカバリのための軽量フレームワークLightTRを提案する。
論文 参考訳(メタデータ) (2024-05-06T12:20:55Z) - Explainable Trajectory Representation through Dictionary Learning [7.567576186354494]
ネットワーク上での軌道表現学習は、車両交通パターンの理解を高める。
古典的な機械学習やディープラーニングを使った既存のアプローチは、解釈性に欠ける高密度ベクトルとして軌道を埋め込む。
本稿では,辞書学習を通して記述可能な軌道表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-13T10:59:54Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - A Lightweight, Efficient and Explainable-by-Design Convolutional Neural
Network for Internet Traffic Classification [9.365794791156972]
本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。
LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。
商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
論文 参考訳(メタデータ) (2022-02-11T10:21:34Z) - Lightweight Object-level Topological Semantic Mapping and Long-term
Global Localization based on Graph Matching [19.706907816202946]
本稿では,高精度でロバストなオブジェクトレベルのマッピングとローカライズ手法を提案する。
我々は、環境のランドマークをモデル化するために、意味情報と幾何学情報の両方を持つオブジェクトレベルの特徴を使用する。
提案したマップに基づいて,新たな局所的シーングラフ記述子を構築することにより,ロバストなローカライゼーションを実現する。
論文 参考訳(メタデータ) (2022-01-16T05:47:07Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳(メタデータ) (2021-11-30T04:30:10Z) - TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。
我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。
実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文 参考訳(メタデータ) (2021-10-27T21:05:00Z) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳(メタデータ) (2021-09-30T10:23:55Z) - Photon-Driven Neural Path Guiding [102.12596782286607]
本稿では,スパース標本群から誘導される経路の高品質なサンプリング分布を再構築するニューラルパス誘導手法を提案する。
我々は、光源から追跡した光子をサンプリング密度再構成の入力として利用し、強力なグローバル照明の挑戦シーンに非常に効果的である。
提案手法は,従来の最先端の経路案内手法よりも,テストシーンのレンダリング結果が大幅に向上する。
論文 参考訳(メタデータ) (2020-10-05T04:54:01Z) - DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。
最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。
微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
論文 参考訳(メタデータ) (2020-06-18T08:23:02Z)
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。