Fugu-MT 論文翻訳(概要): T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation

論文の概要: T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation

arxiv url: http://arxiv.org/abs/2406.12913v1
Date: Thu, 13 Jun 2024 09:51:51 GMT
ステータス: 処理完了
システム内更新日: 2024-06-23 13:15:04.282342
Title: T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation
Title（参考訳）: T-JEPA: 軌道類似性計算のための統合組込み予測アーキテクチャ
Authors: Lihuan Li, Hao Xue, Yang Song, Flora Salim,
Abstract要約: 軌道類似性計算は,様々なアプリケーション間での空間データの移動パターンを解析するための重要な手法である。本稿では,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性手法T-JEPAを提案する。
参考スコア（独自算出の注目度）: 6.844357745770191
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory similarity computation is an essential technique for analyzing moving patterns of spatial data across various applications such as traffic management, wildlife tracking, and location-based services. Modern methods often apply deep learning techniques to approximate heuristic metrics but struggle to learn more robust and generalized representations from the vast amounts of unlabeled trajectory data. Recent approaches focus on self-supervised learning methods such as contrastive learning, which have made significant advancements in trajectory representation learning. However, contrastive learning-based methods heavily depend on manually pre-defined data augmentation schemes, limiting the diversity of generated trajectories and resulting in learning from such variations in 2D Euclidean space, which prevents capturing high-level semantic variations. To address these limitations, we propose T-JEPA, a self-supervised trajectory similarity computation method employing Joint-Embedding Predictive Architecture (JEPA) to enhance trajectory representation learning. T-JEPA samples and predicts trajectory information in representation space, enabling the model to infer the missing components of trajectories at high-level semantics without relying on domain knowledge or manual effort. Extensive experiments conducted on three urban trajectory datasets and two Foursquare datasets demonstrate the effectiveness of T-JEPA in trajectory similarity computation.
Abstract（参考訳）: 軌道類似性計算は、交通管理、野生生物追跡、位置ベースサービスなど、様々なアプリケーションにわたる空間データの移動パターンを解析するための重要な手法である。現代の手法では、ヒューリスティックなメトリクスを近似するためにディープラーニング技術を適用することが多いが、大量の未ラベルの軌跡データからより堅牢で一般化された表現を学ぶのに苦労している。近年のアプローチでは、トラジェクティブ表現学習において大きな進歩を遂げた、コントラスト学習のような自己指導型学習手法に焦点が当てられている。しかし、対照的な学習ベースの手法は、手動で定義したデータ拡張スキームに大きく依存し、生成された軌跡の多様性を制限し、2次元ユークリッド空間におけるそのようなバリエーションから学習し、高いレベルの意味的変動を捉えることを防ぐ。これらの制約に対処するために,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性計算手法T-JEPAを提案する。 T-JEPAは、表現空間における軌跡情報をサンプリングし、予測し、ドメイン知識や手作業に頼ることなく、高レベルのセマンティクスで軌跡の欠落した成分を推測することができる。 3つの都市トラジェクトリデータセットと2つのFoursquareデータセットで実施された大規模な実験は、トラジェクトリ類似性計算におけるT-JEPAの有効性を示した。

関連論文リスト

Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-06-28T11:06:46Z)
Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文参考訳（メタデータ） (2024-05-22T22:22:25Z)
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)
Learning Representative Trajectories of Dynamical Systems via Domain-Adaptive Imitation [0.0]
ドメイン適応軌道模倣のための深層強化学習エージェントDATIを提案する。実験の結果,DATIは模擬学習と最適制御のベースライン手法よりも優れていることがわかった。実世界のシナリオへの一般化は、海上交通における異常な動きパターンの発見を通じて示される。
論文参考訳（メタデータ） (2023-04-19T15:53:48Z)
Self-supervised Trajectory Representation Learning with Temporal Regularities and Travel Semantics [30.9735101687326]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-11-17T13:14:47Z)
Contrastive Trajectory Similarity Learning with Dual-Feature Attention [24.445998309807965]
トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。 TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
論文参考訳（メタデータ） (2022-10-11T05:25:14Z)
PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
論文参考訳（メタデータ） (2022-04-21T23:01:21Z)
Adaptive Trajectory Prediction via Transferable GNN [74.09424229172781]
本稿では,トランジタブルグラフニューラルネットワーク(Transferable Graph Neural Network, T-GNN)フレームワークを提案する。具体的には、ドメイン固有知識が減少する構造運動知識を探索するために、ドメイン不変GNNを提案する。さらに,注目に基づく適応的知識学習モジュールを提案し,知識伝達のための詳細な個別レベルの特徴表現について検討した。
論文参考訳（メタデータ） (2022-03-09T21:08:47Z)
ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks [27.452831603278565]
本稿では,2対の軌跡間の微粒な空間的・時間的関係を考慮した軌道学習型アーキテクチャST2Vecを提案する。カリキュラムの概念にインスパイアされたST2Vecは、モデル最適化のためのカリキュラム学習を採用し、収束性と有効性の両方を改善している。実験的研究は、ST2Vecがすべての最先端の競争相手を、有効性、効率、堅牢性で大きく上回っていることを示す。
論文参考訳（メタデータ） (2021-12-17T06:18:04Z)
An Unsupervised Learning Method with Convolutional Auto-Encoder for Vessel Trajectory Similarity Computation [13.003061329076775]
畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。提案手法は従来の軌道類似性手法を効率と有効性で大きく上回っている。
論文参考訳（メタデータ） (2021-01-10T04:42:11Z)
Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。