論文の概要: DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking

• arxiv url: http://arxiv.org/abs/2404.00243v2
• Date: Tue, 05 Nov 2024 11:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-09 19:50:49.041048
• Title: DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking
• Title（参考訳）: DSFNet:マルチシナリオ経路ランク付けのためのアンタングル型シナリオファクトリゼーション学習
• Authors: Jiahao Yu, Yihai Duan, Longfei Xu, Chao Chen, Shuliang Liu, Kaikui Liu, Fan Yang, Xiangxiang Chu, Ning Guo,
• Abstract要約: マルチシナリオルートランキング(MSRR)は多くの産業地図システムにおいて重要である。 本稿では,シナリオ依存パラメータを柔軟に構成するDSFNet(Disentangled Scenario Factorization Network)を提案する。 また,大規模なアノテート産業用多シナリオ運転経路データセットであるMSDRを提案する。
• 参考スコア（独自算出の注目度）: 19.448901545665212
• License:
• Abstract: Multi-scenario route ranking (MSRR) is crucial in many industrial mapping systems. However, the industrial community mainly adopts interactive interfaces to encourage users to select pre-defined scenarios, which may hinder the downstream ranking performance. In addition, in the academic community, the multi-scenario ranking works only come from other fields, and there are no works specifically focusing on route data due to lacking a publicly available MSRR dataset. Moreover, all the existing multi-scenario works still fail to address the three specific challenges of MSRR simultaneously, i.e. explosion of scenario number, high entanglement, and high-capacity demand. Different from the prior, to address MSRR, our key idea is to factorize the complicated scenario in route ranking into several disentangled factor scenario patterns. Accordingly, we propose a novel method, Disentangled Scenario Factorization Network (DSFNet), which flexibly composes scenario-dependent parameters based on a high-capacity multi-factor-scenario-branch structure. Then, a novel regularization is proposed to induce the disentanglement of factor scenarios. Furthermore, two extra novel techniques, i.e. scenario-aware batch normalization and scenario-aware feature filtering, are developed to improve the network awareness of scenario representation. Additionally, to facilitate MSRR research in the academic community, we propose MSDR, the first large-scale publicly available annotated industrial Multi-Scenario Driving Route dataset. Comprehensive experimental results demonstrate the superiority of our DSFNet, which has been successfully deployed in AMap to serve the major online traffic.
• Abstract（参考訳）: マルチシナリオルートランキング(MSRR)は多くの産業地図システムにおいて重要である。 しかし、産業コミュニティは主に対話型インタフェースを採用しており、ユーザーが事前に定義されたシナリオを選択することを奨励し、下流のランキングのパフォーマンスを損なう可能性がある。 また,学術コミュニティでは,マルチシナリオランキング作業は他の分野からのみ提供されており,MSRRデータセットが公開されていないため,ルートデータに特に注目する作業は行われていない。 さらに、既存のマルチシナリオの作業は、シナリオ番号の爆発、高い絡み合い、高容量要求といった、MSRRの3つの特定の課題に同時に対処することができない。 従来と異なり、MSRRに対処するためには、ルートランキングにおける複雑なシナリオをいくつかの不整合因子のシナリオパターンに分解する、という考え方があります。 そこで本研究では,高容量マルチファクター・シナリオ・ブランチ構造に基づいてシナリオ依存パラメータを柔軟に構成する,DSFNet(Disentangled Scenario Factorization Network)を提案する。 そこで,新しい正規化が提案され,因子シナリオの絡み合いが引き起こされる。 さらに、シナリオ対応バッチ正規化とシナリオ対応機能フィルタリングという2つの新たな手法を開発し、シナリオ表現のネットワーク認識を改善する。 また,学術コミュニティにおけるMSRR研究の促進を目的として,大規模で利用可能なアノテート産業用多シナリオ運転経路データセットであるMSDRを提案する。 総合的な実験の結果は、主要なオンライントラフィックを提供するためにAMapにデプロイされたDSFNetの優位性を示している。

関連論文リスト

• Cross-Domain Few-Shot Segmentation via Iterative Support-Query Correspondence Mining [81.09446228688559]
  Cross-Domain Few-Shots (CD-FSS) は、限定された例のみを用いて、異なるドメインから新しいカテゴリを分割するという課題を提起する。 本稿では,CD-FSSの課題に対処する新しいクロスドメイン微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-01-16T14:45:41Z)
• Multi-Scenario Ranking with Adaptive Feature Learning [47.03869915754652]
  マルチシナリオラーニング(Multi-Scenario Learning、MSL)は、業界におけるレコメンデーションと検索システムにおいて広く使われている。 MSLは、より最適なネットワーク構造を探索することで、異なるパラダイムを生成する。 Alibabaの検索広告プラットフォーム上でのA/Bテストの結果は、Mariaがプロダクション環境で優れていることも示しています。
  論文  参考訳（メタデータ） (2023-06-29T07:14:34Z)
• HiNet: Novel Multi-Scenario & Multi-Task Learning with Hierarchical Information Extraction [50.40732146978222]
  マルチシナリオとマルチタスク学習は、産業アプリケーションにおける多くのレコメンデーションシステムに広く応用されている。 階層型情報抽出ネットワーク(HiNet)を提案する。 HiNetは、新しい最先端のパフォーマンスを実現し、既存のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-03-10T17:24:41Z)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)
• Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
  既存のアプローチでは、両方の問題が存在するシナリオに対処できません。 本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。 AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
  論文  参考訳（メタデータ） (2022-07-20T19:07:46Z)
• SAR-Net: A Scenario-Aware Ranking Network for PersonalizedFair Recommendation in Hundreds of Travel Scenarios [11.603889783538309]
  本稿では,これらの問題に対処する新しいシナリオ・アウェア・ランキング・ネットワーク(SAR-Net)を提案する。 8000万人以上のユーザと155万の旅行アイテムをカバーするオフラインデータセットの実験と、オンラインA/Bテストにより、SAR-Netの有効性が実証された。
  論文  参考訳（メタデータ） (2021-10-13T03:49:45Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。