論文の概要: AugmentTRAJ: A framework for point-based trajectory data augmentation
- arxiv url: http://arxiv.org/abs/2311.15097v1
- Date: Sat, 25 Nov 2023 18:54:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 22:10:29.595042
- Title: AugmentTRAJ: A framework for point-based trajectory data augmentation
- Title（参考訳）: AugmentTRAJ: ポイントベースのトラジェクトリデータ拡張のためのフレームワーク
- Authors: Yaksh J Haranwala
- Abstract要約: AugmenTRAJは、トラジェクトリデータ拡張用に明示的に設計されたオープンソースのPython3フレームワークである。
本論文では,AugmenTRAJの開発における方法論の概要を概説する。
- 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: Data augmentation has emerged as a powerful technique in machine learning,
strengthening model robustness while mitigating overfitting and under-fitting
issues by generating diverse synthetic data. Nevertheless, despite its success
in other domains, data augmentation's potential remains largely untapped in
mobility data analysis, primarily due to the intricate nature and unique format
of trajectory data. Additionally, there is a lack of frameworks capable of
point-wise data augmentation, which can reliably generate synthetic
trajectories while preserving the inherent characteristics of the original
data. To address these challenges, this research introduces AugmenTRAJ, an
open-source Python3 framework designed explicitly for trajectory data
augmentation. AugmenTRAJ offers a reliable and well-controlled approach for
generating synthetic trajectories, thereby enabling the harnessing of data
augmentation benefits in mobility analysis. This thesis presents a
comprehensive overview of the methodologies employed in developing AugmenTRAJ
and showcases the various data augmentation techniques available within the
framework. AugmenTRAJ opens new possibilities for enhancing mobility data
analysis models' performance and generalization capabilities by providing
researchers with a practical and versatile tool for augmenting trajectory data,
Its user-friendly implementation in Python3 facilitates easy integration into
existing workflows, offering the community an accessible resource to leverage
the full potential of data augmentation in trajectory-based applications.
- Abstract（参考訳）: データ拡張は機械学習の強力なテクニックとして現れ、モデルロバスト性を強化しつつ、多様な合成データを生成することで過度な適合と不適合の問題を緩和している。
しかし、他の領域での成功にもかかわらず、データ拡張の可能性は、主に軌跡データの複雑な性質とユニークな形式のために、モビリティデータ分析においてほとんど失われていない。
さらに、ポイントワイドなデータ拡張が可能なフレームワークが欠如しており、元のデータ固有の特性を保ちながら、確実に合成軌跡を生成することができる。
これらの課題に対処するために、AugmenTRAJというオープンソースのPython3フレームワークを紹介した。
AugmenTRAJは、合成軌道を生成するための信頼性が高くよく制御されたアプローチを提供する。
本稿では,AugmenTRAJの開発における方法論の概要を概説し,フレームワーク内で利用可能なさまざまなデータ拡張テクニックを紹介する。
AugmenTRAJは、トラジェクトリデータを拡張するための実用的で汎用的なツールを研究者に提供することで、モビリティデータ分析モデルのパフォーマンスと一般化能力を向上する新たな可能性を開く。Python3のユーザフレンドリな実装は、既存のワークフローへの統合を容易にし、トラジェクトリベースのアプリケーションにおけるデータ拡張の可能性を最大限活用するためのアクセス可能なリソースを提供する。
関連論文リスト
- Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。
本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
論文 参考訳（メタデータ） (2024-10-22T06:43:28Z) - A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。
本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。
背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-08-01T07:40:00Z) - Dataset Regeneration for Sequential Recommendation [69.93516846106701]
DR4SRと呼ばれるモデルに依存しないデータセット再生フレームワークを用いて、理想的なトレーニングデータセットを開発するためのデータ中心のパラダイムを提案する。
データ中心のパラダイムの有効性を示すために、我々はフレームワークを様々なモデル中心の手法と統合し、4つの広く採用されているデータセット間で大きなパフォーマンス改善を観察する。
論文 参考訳（メタデータ） (2024-05-28T03:45:34Z) - SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。
本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
論文 参考訳（メタデータ） (2024-03-28T14:07:13Z) - Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。
DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
論文 参考訳（メタデータ） (2024-03-11T14:07:53Z) - Federated Learning with Projected Trajectory Regularization [65.6266768678291]
フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。
連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。
本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-22T02:12:08Z) - Enhancing Explainability in Mobility Data Science through a combination
of methods [0.08192907805418582]
本稿では,重要なXAI技法を調和させる包括的フレームワークを提案する。
LIME Interpretable Model-a-gnostic Explanations, SHAP, Saliency Map, attention mechanism, direct trajectory Visualization, and Permutation Feature (PFI)
本研究の枠組みを検証するため,様々な利用者の嗜好や受容度を評価する調査を行った。
論文 参考訳（メタデータ） (2023-12-01T07:09:21Z) - A spectrum of physics-informed Gaussian processes for regression in
engineering [0.0]
センサとデータ全般の可用性は向上していますが、純粋なデータ駆動アプローチから多くのサービス内エンジニアリングシステムや構造を完全に特徴づけることはできません。
本稿では、限られたデータで予測モデルを作成する能力を高めるために、機械学習技術と物理に基づく推論の組み合わせを追求する。
論文 参考訳（メタデータ） (2023-09-19T14:39:03Z) - Phased Data Augmentation for Training a Likelihood-Based Generative Model with Limited Data [0.0]
生成モデルは現実的なイメージの作成に優れていますが、トレーニングのための広範なデータセットに依存しているため、大きな課題があります。
現在のデータ効率の手法はGANアーキテクチャに重点を置いており、他の生成モデルの訓練にギャップを残している。
位相データ拡張(phased data augmentation)は、このギャップに対処する新しい手法であり、データ分散に固有の変更を加えることなく、限られたデータシナリオでのトレーニングを最適化する。
論文 参考訳（メタデータ） (2023-05-22T03:38:59Z) - From Data to Actions in Intelligent Transportation Systems: a
Prescription of Functional Requirements for Model Actionability [10.27718355111707]
この研究は、多種多様なソースから得られたデータが、その資産やシステム、プロセスの効率的な運用のために、データ駆動モデルを学び、適応するためにどのように使用できるかを説明することを目的としている。
ITSのデータモデリングパイプラインでは、データ融合、適応学習、モデル評価という3つの複合ステージに対して、特性、エンジニアリング要件、本質的な課題を定義します。
論文 参考訳（メタデータ） (2020-02-06T12:02:30Z)
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。