論文の概要: UniTE: A Survey and Unified Pipeline for Pre-training Spatiotemporal Trajectory Embeddings
- arxiv url: http://arxiv.org/abs/2407.12550v2
- Date: Tue, 12 Nov 2024 14:39:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:16:35.618890
- Title: UniTE: A Survey and Unified Pipeline for Pre-training Spatiotemporal Trajectory Embeddings
- Title（参考訳）: UniTE: 時空間軌道埋め込みの事前学習のための調査と統一パイプライン
- Authors: Yan Lin, Zeyu Zhou, Yicheng Liu, Haochen Lv, Haomin Wen, Tianyi Li, Yushuai Li, Christian S. Jensen, Shengnan Guo, Youfang Lin, Huaiyu Wan,
- Abstract要約: 埋め込みを事前訓練する方法は、様々なタスクにまたがって有望な適用性を示している。
本稿では,事前学習手法を明示的あるいは暗黙的に採用する手法を含む,既存の軌道埋め込みの事前学習方法の包括的リストを示す。
路面埋め込みを事前学習する手法の構築と評価のプロセスを簡素化し,利用可能な基盤コードを備えた統一型モジュールパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 32.0161907018594
- License:
- Abstract: Spatiotemporal trajectories are sequences of timestamped locations, which enable a variety of analyses that in turn enable important real-world applications. It is common to map trajectories to vectors, called embeddings, before subsequent analyses. Thus, the qualities of embeddings are very important. Methods for pre-training embeddings, which leverage unlabeled trajectories for training universal embeddings, have shown promising applicability across different tasks, thus attracting considerable interest. However, research progress on this topic faces two key challenges: a lack of a comprehensive overview of existing methods, resulting in several related methods not being well-recognized, and the absence of a unified pipeline, complicating the development of new methods and the analysis of methods. We present UniTE, a survey and a unified pipeline for this domain. In doing so, we present a comprehensive list of existing methods for pre-training trajectory embeddings, which includes methods that either explicitly or implicitly employ pre-training techniques. Further, we present a unified and modular pipeline with publicly available underlying code, simplifying the process of constructing and evaluating methods for pre-training trajectory embeddings. Additionally, we contribute a selection of experimental results using the proposed pipeline on real-world datasets. Implementation of the pipeline is publicly available at https://github.com/Logan-Lin/UniTE.
- Abstract（参考訳）: 時空間軌跡はタイムスタンプされた位置のシーケンスであり、それによって様々な分析が可能となり、それによって重要な現実世界の応用が可能になる。
後続の分析の前に、軌道を埋め込みと呼ばれるベクトルにマッピングすることが一般的である。
したがって、埋め込みの質は非常に重要である。
普遍的な埋め込みの訓練にラベルのない軌跡を利用した事前学習法は,様々なタスクに適用可能性を示しており,かなりの関心を集めている。
しかし,本研究の進展は,既存手法の包括的概要の欠如,未認識のメソッドのいくつか,統合パイプラインの欠如,新たな手法の開発やメソッド分析の複雑化,という2つの課題に直面する。
このドメインのための調査と統合パイプラインであるUniTEを紹介します。
そこで本研究では,事前学習手法を明示的あるいは暗黙的に採用する手法を含む,既存の軌道埋め込みの事前学習方法の包括的リストを示す。
さらに、路面埋め込みの事前学習方法の構築と評価のプロセスを簡素化し、一般に利用可能な基盤コードを備えた統一型モジュールパイプラインを提案する。
さらに,提案したパイプラインを実世界のデータセットに適用した実験結果の選定に貢献する。
パイプラインの実装はhttps://github.com/Logan-Lin/UniTEで公開されている。
関連論文リスト
- BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
本稿では,テスト時間適応フレームワークを提案する。
我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。
理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
論文 参考訳（メタデータ） (2024-10-20T15:58:43Z) - Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳（メタデータ） (2023-10-04T09:39:05Z) - Toward Operationalizing Pipeline-aware ML Fairness: A Research Agenda
for Developing Practical Guidelines and Tools [18.513353100744823]
最近の研究はMLコミュニティに対して、公平な問題に取り組むためにより包括的なアプローチを取るように呼びかけている。
まず、明確なガイドラインやツールキットがなければ、特殊なML知識を持つ個人でさえ、さまざまな設計選択がモデル行動にどのように影響するかを仮説化することは困難である。
次に、パイプライン対応アプローチの運用に向けた現在の進捗を理解するために、フェアMLの文献を参考にします。
論文 参考訳（メタデータ） (2023-09-29T15:48:26Z) - NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。
本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。
テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2023-07-25T13:35:45Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Pre-training General Trajectory Embeddings with Maximum Multi-view
Entropy Coding [36.18788551389281]
軌道埋め込みはタスク性能を向上させることができるが、高い計算コストを発生させ、限られたトレーニングデータ可用性に直面する可能性がある。
既存の軌道埋め込み手法は、特定の下流タスクに対するバイアスによる一般的な埋め込み学習の難しさに直面している。
一般的な包括的軌跡埋め込み学習のための多視点エントロピー符号化(MMTEC)を提案する。
論文 参考訳（メタデータ） (2022-07-29T08:16:20Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
本稿では,3次元形状対応のための教師なし学習手法を提案する。
提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-10-28T22:24:07Z)
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。