論文の概要: LightTR: A Lightweight Framework for Federated Trajectory Recovery
- arxiv url: http://arxiv.org/abs/2405.03409v1
- Date: Mon, 6 May 2024 12:20:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 13:46:36.264868
- Title: LightTR: A Lightweight Framework for Federated Trajectory Recovery
- Title（参考訳）: LightTR:Federated Trajectoryリカバリのための軽量フレームワーク
- Authors: Ziqiao Liu, Hao Miao, Yan Zhao, Chenxi Liu, Kai Zheng, Huan Li,
- Abstract要約: 道路網情報のない自由空間における低サンプリング軌道に基づいて高サンプリング軌道を復元することを目的としている。
クライアントサーバアーキテクチャに基づくフェデレーショントラジェクトリリカバリのための軽量フレームワークLightTRを提案する。
- 参考スコア（独自算出の注目度）: 15.767265437130586
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the proliferation of GPS-equipped edge devices, huge trajectory data is generated and accumulated in various domains, motivating a variety of urban applications. Due to the limited acquisition capabilities of edge devices, a lot of trajectories are recorded at a low sampling rate, which may lead to the effectiveness drop of urban applications. We aim to recover a high-sampled trajectory based on the low-sampled trajectory in free space, i.e., without road network information, to enhance the usability of trajectory data and support urban applications more effectively. Recent proposals targeting trajectory recovery often assume that trajectories are available at a central location, which fail to handle the decentralized trajectories and hurt privacy. To bridge the gap between decentralized training and trajectory recovery, we propose a lightweight framework, LightTR, for federated trajectory recovery based on a client-server architecture, while keeping the data decentralized and private in each client/platform center (e.g., each data center of a company). Specifically, considering the limited processing capabilities of edge devices, LightTR encompasses a light local trajectory embedding module that offers improved computational efficiency without compromising its feature extraction capabilities. LightTR also features a meta-knowledge enhanced local-global training scheme to reduce communication costs between the server and clients and thus further offer efficiency improvement. Extensive experiments demonstrate the effectiveness and efficiency of the proposed framework.
- Abstract（参考訳）: GPS搭載エッジデバイスの普及に伴い、様々な領域に膨大な軌跡データを生成し蓄積し、様々な都市への応用を動機付けている。
エッジデバイスの獲得能力が限られているため、多くのトラジェクトリが低いサンプリングレートで記録されるため、都市での応用効率が低下する可能性がある。
我々は,道路網情報のない自由空間における低サンプリング軌道に基づく高サンプリング軌道を復元し,トラジェクトリデータの使い勝手を向上し,より効果的に都市アプリケーションを支援することを目的としている。
トラジェクトリリカバリを対象とする最近の提案では、トラジェクトリは中央で利用可能であり、分散されたトラジェクトリの処理に失敗し、プライバシを損なうことがしばしばある。
分散化トレーニングとトラジェクトリリカバリのギャップを埋めるために,クライアント/サーバアーキテクチャに基づくフェデレーションされたトラジェクトリリカバリのための軽量フレームワークLightTRを提案する。
具体的には、エッジデバイスの限られた処理能力を考えると、LightTRは、その特徴抽出能力を損なうことなく、計算効率を向上する軽量な局所軌道埋め込みモジュールを含んでいる。
LightTRはまた、サーバとクライアント間の通信コストを削減するために、メタ知識の強化されたローカル・グローバル・トレーニングスキームも備えている。
大規模な実験は,提案フレームワークの有効性と有効性を示すものである。
関連論文リスト
- PTR: A Pre-trained Language Model for Trajectory Recovery [31.08861372332931]
そこで我々は, PTR と呼ばれるフレームワークを提案し, 限られた高密度軌跡データの問題を緩和する。
PTRは明示的な軌道プロンプトを組み込み、複数のサンプリング間隔を持つデータセットでトレーニングされる。
また、軌道点を符号化し、観測点と欠点の両方の埋め込みをPLMに理解可能な形式に変換する軌道埋め込み器を提案する。
論文 参考訳（メタデータ） (2024-10-18T08:38:12Z) - Restoring Super-High Resolution GPS Mobility Data [3.1698826134900457]
本稿では, トランカットや合成低分解能入力から高分解能GPSトラジェクトリデータを再構成するシステムを提案する。
提案モデルでは,平均フレッシュ距離0.198kmを実現し,地図マッチングアルゴリズムや合成軌道モデルよりも優れていた。
これらの結果から, このシステムは都市のモビリティアプリケーションに展開可能であり, 高い精度と堅牢なプライバシ保護を実現することが示唆された。
論文 参考訳（メタデータ） (2024-10-01T11:54:16Z) - WTTFNet: A Weather-Time-Trajectory Fusion Network for Pedestrian Trajectory Prediction in Urban Complex [0.44531072184246007]
ベースラインディープニューラルネットワークアーキテクチャの性能向上を目的として,新しい気象時トラジェクトリ融合ネットワーク(WTTFNet)を提案する。
歩行者施設工学、公共空間開発、技術主導の小売など、多くの用途で利用することができる。
論文 参考訳（メタデータ） (2024-05-29T09:56:54Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Personalized Federated Deep Reinforcement Learning-based Trajectory
Optimization for Multi-UAV Assisted Edge Computing [22.09756306579992]
UAVはエッジコンピューティング環境でインテリジェントなサーバとして機能し、通信システムのスループットを最大化するために飛行軌道を最適化する。
深部強化学習(DRL)に基づく軌道最適化アルゴリズムは、複雑な地形特徴と不十分な訓練データにより、訓練性能が低下する可能性がある。
本研究は,マルチUAV軌道最適化のための新しい手法,すなわちパーソナライズされた深部強化学習(PF-DRL)を提案する。
論文 参考訳（メタデータ） (2023-09-05T12:54:40Z) - LaMAR: Benchmarking Localization and Mapping for Augmented Reality [80.23361950062302]
異種ARデバイスでキャプチャされたリアルな軌跡とセンサストリームを共登録する,包括的キャプチャとGTパイプラインを備えた新しいベンチマークであるLaMARを紹介する。
私たちは、ヘッドマウントとハンドヘルドARデバイスで記録された多様な大規模シーンのベンチマークデータセットを公開します。
論文 参考訳（メタデータ） (2022-10-19T17:58:17Z) - Deep Learning Aided Packet Routing in Aeronautical Ad-Hoc Networks
Relying on Real Flight Data: From Single-Objective to Near-Pareto
Multi-Objective Optimization [79.96177511319713]
航空アドホックネットワーク(AANET)のルーティングを支援するために、ディープラーニング(DL)を起動する。
フォワードノードによって観測された局所的な地理的情報を最適な次のホップを決定するために必要な情報にマッピングするために、ディープニューラルネットワーク(DNN)が考案される。
DL支援ルーティングアルゴリズムを多目的シナリオに拡張し,遅延を最小化し,経路容量を最大化し,経路寿命を最大化する。
論文 参考訳（メタデータ） (2021-10-28T14:18:22Z) - 3D UAV Trajectory and Data Collection Optimisation via Deep
Reinforcement Learning [75.78929539923749]
無人航空機(UAV)は現在、無線通信におけるネットワーク性能とカバレッジを高めるために配備され始めている。
UAV支援モノのインターネット(IoT)のための最適な資源配分方式を得ることは困難である
本稿では,UAVの最も短い飛行経路に依存しつつ,IoTデバイスから収集したデータ量を最大化しながら,新しいUAV支援IoTシステムを設計する。
論文 参考訳（メタデータ） (2021-06-06T14:08:41Z) - A Unified Light Framework for Real-time Fault Detection of Freight Train
Images [16.721758280029302]
貨物列車のリアルタイム故障検出は、鉄道輸送の安全と最適運転を保証する上で重要な役割を担っている。
深層学習に基づくアプローチの有望な結果にもかかわらず、貨物列車画像におけるこれらの断層検出器の性能は精度と効率の両立には程遠い。
本稿では,リソース要求の少ないリアルタイム動作をサポートしながら,検出精度を向上させるための統一光フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-31T05:10:20Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。