Fugu-MT 論文翻訳(概要): Learning to Generate Pseudo Personal Mobility

論文の概要: Learning to Generate Pseudo Personal Mobility

arxiv url: http://arxiv.org/abs/2312.11289v1
Date: Mon, 18 Dec 2023 15:29:20 GMT
ステータス: 処理完了
システム内更新日: 2023-12-20 19:29:16.186192
Title: Learning to Generate Pseudo Personal Mobility
Title（参考訳）: Pseudoのパーソナルモビリティを学習する
Authors: Peiran Li, Haoran Zhang, Wenjing Li, Dou Huang, Jinyu Chen, Junxiang Zhang, Xuan Song, Pengjun Zhao, Shibasaki Ryosuke
Abstract要約: そこで我々はGeoAvatarと呼ばれる新しい人体移動発電機を提案する。我々は、個人レベルの個人情報にアクセスすることなく、異質な個人移動データを生成することに成功した。
参考スコア（独自算出の注目度）: 19.59336507266489
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The importance of personal mobility data is widely recognized in various fields. However, the utilization of real personal mobility data raises privacy concerns. Therefore, it is crucial to generate pseudo personal mobility data that accurately reflects real-world mobility patterns while safeguarding user privacy. Nevertheless, existing methods for generating pseudo mobility data, such as mechanism-based and deep-learning-based approaches, have limitations in capturing sufficient individual heterogeneity. To address these gaps, taking pseudo-person(avatar) as ground-zero, a novel individual-based human mobility generator called GeoAvatar has been proposed - which considers individual heterogeneity in spatial and temporal decision-making, incorporates demographic characteristics, and provides interpretability. Our method utilizes a deep generative model to simulate heterogeneous individual life patterns, a reliable labeler for inferring individual demographic characteristics, and a Bayesian approach for generating spatial choices. Through our method, we have achieved the generation of heterogeneous individual human mobility data without accessing individual-level personal information, with good quality - we evaluated the proposed method based on physical features, activity patterns, and spatial-temporal characteristics, demonstrating its good performance, compared to mechanism-based modeling and black-box deep learning approaches. Furthermore, this method maintains extensibility for broader applications, making it a promising paradigm for generating human mobility data.
Abstract（参考訳）: 個人移動データの重要性は様々な分野で広く認識されている。しかし、実際の個人移動データの利用はプライバシーの懸念を引き起こす。したがって、ユーザのプライバシーを保護しつつ、現実世界のモビリティパターンを正確に反映する疑似パーソナルモビリティデータを生成することが重要である。それでも、メカニズムベースやディープラーニングベースのアプローチのような、擬似モビリティデータを生成する既存の方法は、十分な個々人の不均一性を捉えるのに限界がある。これらのギャップに対処するため、擬似人物(ヴァタール)をゼロとして、空間的・時間的意思決定における個別の不均一性を考慮し、人口統計学的特徴を取り入れ、解釈可能性を提供するGeoAvatarと呼ばれる新規な人体移動発電機が提案されている。本手法は,不均質な個体生活パターンをシミュレートする深層生成モデル,個体群特性を推定する信頼性の高いラベラー,空間的選択を生成するベイズ的手法を用いる。本手法により,個人レベルの個人情報にアクセスせずに,良好な品質で不均一な個人移動データを生成することができた。本手法は,物理的特徴,活動パターン,空間的時間的特性に基づいて評価し,メカニズムベースのモデリングやブラックボックスディープラーニングアプローチと比較して,その優れた性能を示す。さらに,本手法は広範なアプリケーションの拡張性を維持し,人間の移動データを生成する上で有望なパラダイムとなる。

関連論文リスト

Human Mobility Modeling with Limited Information via Large Language Models [11.90100976089832]
本稿では,人間の移動性モデリングフレームワークであるLLM(Large Language Model)を提案する。提案手法は,詳細な移動統計データへの依存を著しく低減する。 NHTSとSCAG-ABMのデータセットを用いて評価を行った。
論文参考訳（メタデータ） (2024-09-26T03:07:32Z)
PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning [32.24962222854073]
PateGailは、人間の移動軌道を生成するための、プライバシー保護の模倣学習モデルである。個人差別者は、実物や生成された人間の軌跡を識別し、報酬を与えるために、現地で訓練される。我々のモデルは、5つの重要な統計指標の観点から現実世界の軌跡に似ており、最先端のアルゴリズムを48.03%以上上回っている。
論文参考訳（メタデータ） (2024-07-23T14:59:23Z)
HRNet: Differentially Private Hierarchical and Multi-Resolution Network for Human Mobility Data Synthesization [19.017342515321918]
我々は,現実的な人間の移動データを合成するための新しい深層生成モデルである階層・多解ネットワーク(HRNet)を紹介した。まず、差分プライバシーの下で人間の移動データを学習する際の重要な困難を識別する。 HRNetは、階層的なロケーションエンコーディング機構、複数解像度にわたるマルチタスク学習、プライベート事前トレーニングの3つのコンポーネントを統合している。
論文参考訳（メタデータ） (2024-05-13T12:56:24Z)
Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文参考訳（メタデータ） (2024-03-13T16:05:18Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Towards Personalized Federated Learning via Heterogeneous Model Reassembly [84.44268421053043]
pFedHRは、異種モデルの再組み立てを利用して、パーソナライズされたフェデレーション学習を実現するフレームワークである。 pFedHRは、動的に多様なパーソナライズされたモデルを自動生成する。
論文参考訳（メタデータ） (2023-08-16T19:36:01Z)
Survey of Federated Learning Models for Spatial-Temporal Mobility Applications [9.896508514316812]
フェデレートラーニング(FL)は、空間時間モデルを訓練するための理想的な候補として機能する。既存の時空間モデルから分散学習への移行には,ユニークな課題がある。
論文参考訳（メタデータ） (2023-05-09T08:26:48Z)
Dataset Bias in Human Activity Recognition [57.91018542715725]
このコントリビューションは、トレーニングデータを統計的にキュレートし、人間の身体的特性がHARのパフォーマンスにどの程度影響するかを評価する。時系列HARのセンサ,アクティビティ,記録の異なる2つのHARデータセット上で,最先端の畳み込みニューラルネットワークの性能を評価する。
論文参考訳（メタデータ） (2023-01-19T12:33:50Z)
Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文参考訳（メタデータ） (2023-01-16T09:54:02Z)
Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文参考訳（メタデータ） (2022-11-07T10:02:55Z)
Generating synthetic mobility data for a realistic population with RNNs to improve utility and privacy [3.3918638314432936]
本稿では, ディープリカレントニューラルネットワーク(RNN)を用いた合成モビリティデータ生成システムを提案する。本システムは, 個体群分布を入力として, 対応する合成個体群の移動トレースを生成する。生成したモビリティデータは,個々のレベルでの実際のデータから変化しながら,実際のデータの特徴を保っていることを示す。
論文参考訳（メタデータ） (2022-01-04T13:58:22Z)

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。