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
- Scenario-Wise Rec: A Multi-Scenario Recommendation Benchmark [54.93461228053298]
6つの公開データセットと12のベンチマークモデルと、トレーニングと評価パイプラインで構成されるベンチマークである textbfScenario-Wise Rec を紹介します。
このベンチマークは、研究者に先行研究から貴重な洞察を提供することを目的としており、新しいモデルの開発を可能にしている。
論文 参考訳(メタデータ) (2024-12-23T08:15:34Z) - Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation [11.489766641148151]
マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。
MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。
我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
論文 参考訳(メタデータ) (2024-07-29T06:17:33Z) - A Unified Search and Recommendation Framework Based on Multi-Scenario Learning for Ranking in E-commerce [13.991015845541257]
統一検索・レコメンデーション(USR)のための効果的で普遍的なフレームワークを提案する。
USRは様々なマルチシナリオモデルに適用でき、性能を大幅に改善することができる。
USRは7Fresh Appでうまくデプロイされている。
論文 参考訳(メタデータ) (2024-05-17T14:57:52Z) - 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) - 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) - 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。