論文の概要: Pre-training Contextual Location Embeddings in Personal Trajectories via
Efficient Hierarchical Location Representations
- arxiv url: http://arxiv.org/abs/2310.01252v1
- Date: Mon, 2 Oct 2023 14:40:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 21:20:34.542591
- Title: Pre-training Contextual Location Embeddings in Personal Trajectories via
Efficient Hierarchical Location Representations
- Title（参考訳）: 効率的な階層的位置表現による個人軌道における事前学習型位置情報埋め込み
- Authors: Chung Park, Taesan Kim, Junui Hong, Minsung Choi, Jaegul Choo
- Abstract要約: 人間の移動データから生成された位置の埋め込みを事前学習することは、位置情報ベースのサービスにとって一般的な方法となっている。
これまでの研究では、1万個未満の異なる場所を処理しており、これは現実世界の応用では不十分である。
本研究では,異なる規模の複数のグリッドの組み合わせとして位置を表現することによって,トレーニング対象の場所数を効率的に削減するGeo-Tokenizerを提案する。
- 参考スコア（独自算出の注目度）: 30.493743596793212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pre-training the embedding of a location generated from human mobility data
has become a popular method for location based services. In practice, modeling
the location embedding is too expensive, due to the large number of locations
to be trained in situations with fine-grained resolution or extensive target
regions. Previous studies have handled less than ten thousand distinct
locations, which is insufficient in the real-world applications. To tackle this
problem, we propose a Geo-Tokenizer, designed to efficiently reduce the number
of locations to be trained by representing a location as a combination of
several grids at different scales. In the Geo-Tokenizer, a grid at a larger
scale shares the common set of grids at smaller scales, which is a key factor
in reducing the size of the location vocabulary. The sequences of locations
preprocessed with the Geo-Tokenizer are utilized by a causal location embedding
model to capture the temporal dependencies of locations. This model dynamically
calculates the embedding vector of a target location, which varies depending on
its trajectory. In addition, to efficiently pre-train the location embedding
model, we propose the Hierarchical Auto-regressive Location Model objective to
effectively train decomposed locations in the Geo-Tokenizer. We conducted
experiments on two real-world user trajectory datasets using our pre-trained
location model. The experimental results show that our model significantly
improves the performance of downstream tasks with fewer model parameters
compared to existing location embedding methods.
- Abstract（参考訳）: 人間の移動データから生成された位置の埋め込みを事前学習することは、位置情報ベースのサービスにとって一般的な方法となっている。
実際には、きめ細かい解像度や広範囲のターゲット領域を持つ状況で訓練すべき場所が多すぎるため、位置埋め込みのモデリングは高価すぎる。
これまでの研究では、実世界のアプリケーションでは不十分な1万の異なる場所を処理してきた。
そこで本研究では,複数のグリッドの組合せとして位置を表現することで,トレーニング対象の場所数を効率的に削減するGeo-Tokenizerを提案する。
geo-tokenizerでは、大きなスケールのグリッドは、小さなスケールで共通のグリッドの集合を共有します。
ジオトケナイザで前処理された位置のシーケンスは因果的位置埋め込みモデルを用いて位置の時間的依存性をキャプチャする。
このモデルは、軌道によって異なる目標位置の埋め込みベクトルを動的に計算する。
また,位置埋め込みモデルを効率的に事前学習するために,ジオ・トケナイザーの分解した位置を効果的に訓練するための階層的自己回帰位置モデルを提案する。
事前学習した位置モデルを用いて,2つの実世界のユーザトラジェクトリデータセットの実験を行った。
実験の結果,既存の位置埋め込み手法と比較して,モデルパラメータの少ない下流タスクの性能が大幅に向上することがわかった。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。
ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。
これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
論文 参考訳（メタデータ） (2024-02-27T10:10:12Z) - SQLNet: Scale-Modulated Query and Localization Network for Few-Shot
Class-Agnostic Counting [71.38754976584009]
CAC(class-agnostic counting)タスクは、最近、任意のクラスの全てのオブジェクトを、入力画像にいくつかの例を付与してカウントする問題を解くために提案されている。
我々は、スケール変調クエリーおよびローカライズネットワーク(Net)と呼ばれる、新しいローカライズベースのCACアプローチを提案する。
クエリとローカライゼーションの段階において、模範者のスケールを完全に探求し、各オブジェクトを正確に位置付けし、その近似サイズを予測することで、効果的なカウントを実現している。
論文 参考訳（メタデータ） (2023-11-16T16:50:56Z) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - Surface Reconstruction from Point Clouds by Learning Predictive Context
Priors [68.12457459590921]
点雲からの表面の再構成は、3Dコンピュータビジョンにとって不可欠である。
推論時に各ポイントクラウドに対して予測的クエリを学習することで予測的コンテキスト優先を導入する。
一つの形状や複雑なシーンの表面再構成実験の結果, 広く使用されているベンチマークでは, 最先端のベンチマークよりも顕著な改善が見られた。
論文 参考訳（メタデータ） (2022-04-23T08:11:33Z) - Ordinal UNLOC: Target Localization with Noisy and Incomplete Distance
Measures [1.6836876499886007]
ターゲットローカライズにおける大きな課題は、信頼性の高い距離測定の欠如から生じる。
信頼性の高い距離測定を必要とせず,目標の位置を推定する新しい計算フレームワークを開発した。
論文 参考訳（メタデータ） (2021-05-06T13:54:31Z) - PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image
Segmentation [87.50205728818601]
本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。
我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
論文 参考訳（メタデータ） (2020-11-25T11:03:11Z) - Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。
本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。
GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。
新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
論文 参考訳（メタデータ） (2020-08-06T07:36:55Z) - SE-KGE: A Location-Aware Knowledge Graph Embedding Model for Geographic
Question Answering and Spatial Semantic Lifting [9.949690056661218]
位置認識型KG埋め込みモデルSE-KGEを提案する。
点座標や地理的実体の境界ボックスなどの空間情報をKG埋め込み空間にエンコードする。
また、SE-KGEの性能を評価するために、地理知識グラフと、DBGeoと呼ばれる地理的問合せ対のセットを構築した。
論文 参考訳（メタデータ） (2020-04-25T17:46:31Z) - FedLoc: Federated Learning Framework for Data-Driven Cooperative
Localization and Location Data Processing [12.518673970373422]
データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。
我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。
本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
論文 参考訳（メタデータ） (2020-03-08T01:51:56Z) - Multi-Scale Representation Learning for Spatial Feature Distributions
using Grid Cells [11.071527762096053]
本研究では,位置の絶対位置と空間的関係を符号化するスペース2Vecという表現学習モデルを提案する。
その結果、Space2Vecはマルチスケール表現のため、確立されたMLアプローチよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-02-16T04:22:18Z)
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。