Fugu-MT 論文翻訳(概要): TrajFM: A Vehicle Trajectory Foundation Model for Region and Task Transferability

論文の概要: TrajFM: A Vehicle Trajectory Foundation Model for Region and Task Transferability

arxiv url: http://arxiv.org/abs/2408.15251v1
Date: Fri, 9 Aug 2024 07:40:44 GMT
ステータス: 処理完了
システム内更新日: 2024-09-01 16:42:01.596078
Title: TrajFM: A Vehicle Trajectory Foundation Model for Region and Task Transferability
Title（参考訳）: TrajFM: 地域とタスク転送性のための自動車軌道基礎モデル
Authors: Yan Lin, Tonglong Wei, Zeyu Zhou, Haomin Wen, Jilin Hu, Shengnan Guo, Youfang Lin, Huaiyu Wan,
Abstract要約: 望ましい軌道学習モデルは、再訓練することなく、異なる領域とタスク間を移動すべきである。そこで我々は,TrajFMを提案する。TrajFMは,領域とタスクの移動性の両方に優れる車両軌道基礎モデルである。様々な環境下での2つの実世界の車両軌道データセットの実験は、TrajFMの有効性を実証している。
参考スコア（独自算出の注目度）: 23.945687080195796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vehicle trajectories provide valuable movement information that supports various downstream tasks and powers real-world applications. A desirable trajectory learning model should transfer between different regions and tasks without retraining, thus improving computational efficiency and effectiveness with limited training data. However, a model's ability to transfer across regions is limited by the unique spatial features and POI arrangements of each region, which are closely linked to vehicle movement patterns and difficult to generalize. Additionally, achieving task transferability is challenging due to the differing generation schemes required for various tasks. Existing efforts towards transferability primarily involve learning embedding vectors for trajectories, which perform poorly in region transfer and still require retraining of prediction modules for task transfer. To address these challenges, we propose TrajFM, a vehicle trajectory foundation model that excels in both region and task transferability. For region transferability, we introduce STRFormer as the main learnable model within TrajFM. It integrates spatial, temporal, and POI modalities of trajectories to effectively manage variations in POI arrangements across regions and includes a learnable spatio-temporal Rotary position embedding module for handling spatial features. For task transferability, we propose a trajectory masking and recovery scheme. This scheme unifies the generation processes of various tasks into the masking and recovery of modalities and sub-trajectories, allowing TrajFM to be pre-trained once and transferred to different tasks without retraining. Experiments on two real-world vehicle trajectory datasets under various settings demonstrate the effectiveness of TrajFM. Code is available at https://anonymous.4open.science/r/TrajFM-30E4.
Abstract（参考訳）: 車両軌道は、様々な下流タスクをサポートし、現実世界のアプリケーションに力を与える貴重な移動情報を提供する。所望の軌道学習モデルは、再訓練せずに異なる領域とタスク間で移動すべきであり、限られた訓練データを用いて計算効率と効率を向上させる。しかし, 車両の移動パターンと密接な関係を持ち, 一般化が困難である各領域の空間的特徴やPOI配置によって, モデルが各領域に移動する能力は制限される。さらに,様々なタスクに要求される生成方式が異なるため,タスク転送可能性の達成は困難である。移動可能性への既存の取り組みは、主に軌道の埋め込みベクトルを学習することであり、これは地域移動が不十分であり、なおもタスク移動の予測モジュールの再訓練を必要としている。これらの課題に対処するため,TrajFMを提案する。領域転送性については、TrajFM内の主要な学習可能なモデルとしてSTRFormerを導入する。トラジェクトリの空間的、時間的、およびPOIモダリティを統合し、領域間のPOIアレンジメントの変動を効果的に管理し、空間的特徴を扱うための学習可能な時空間ロータリー位置埋め込みモジュールを含む。タスクの伝達性について,トラジェクトリマスキングとリカバリ方式を提案する。このスキームは、様々なタスクの生成プロセスをマスキングとサブトラジェクトリに統一し、TrajFMを1度だけ事前トレーニングし、再トレーニングすることなく異なるタスクに転送することができる。様々な環境下での2つの実世界の車両軌道データセットの実験は、TrajFMの有効性を実証している。コードはhttps://anonymous.4open.science/r/TrajFM-30E4で公開されている。

関連論文リスト

Solving Continual Offline RL through Selective Weights Activation on Aligned Spaces [52.649077293256795]
連続オフライン強化学習(CORL)は拡散に基づく生涯学習システムにおいて顕著な能力を示した。本稿では,Vector-Quantized Continual diffuser(VQ-CD)を提案する。
論文参考訳（メタデータ） (2024-10-21T07:13:45Z)
PTrajM: Efficient and Semantic-rich Trajectory Learning with Pretrained Trajectory-Mamba [22.622613591771152]
車両軌道は様々な現実世界の用途に重要な移動情報を提供する。移動や旅行目的を含む豊かな意味情報を効率的に抽出する軌道学習手法を開発することが不可欠である。本稿では,効率的な意味豊かな車両軌道学習法であるPTrajMを提案する。
論文参考訳（メタデータ） (2024-08-09T07:48:51Z)
TrajCogn: Leveraging LLMs for Cognizing Movement Patterns and Travel Purposes from Trajectories [24.44686757572976]
S時間軌道は様々なデータマイニング作業において重要である。異なるタスクを高精度に行う多目的軌跡学習法を開発することが重要である。モデルキャパシティの制限と、トラジェクトリデータセットの品質とスケールのため、これは難しい。
論文参考訳（メタデータ） (2024-05-21T02:33:17Z)
UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation [34.918489559139715]
Universal Vehicle Trajectory (UVTM) は、不完全またはスパースな軌道に基づいて異なるタスクをサポートするように設計されている。スパーストラジェクトリを効果的に処理するために、疎サンプリングされたトラジェクトリから密サンプリングされたトラジェクトリを再構成することにより、UVTMを事前訓練する。
論文参考訳（メタデータ） (2024-02-11T15:49:50Z)
Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
論文参考訳（メタデータ） (2023-06-06T02:24:41Z)
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)
Curriculum Reinforcement Learning using Optimal Transport via Gradual Domain Adaptation [46.103426976842336]
強化学習(CRL)は、簡単なタスクから始まり、徐々に難しいタスクへと学習する一連のタスクを作成することを目的としている。本研究では、ソース(補助的)とターゲットタスク分布の間のカリキュラムとしてCRLをフレーミングするという考え方に焦点をあてる。半教師付き学習における段階的ドメイン適応の洞察に触発されて、CRLのタスク分散シフトを小さなシフトに分解することで、自然なカリキュラムを作成する。
論文参考訳（メタデータ） (2022-10-18T22:33:33Z)
Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
論文参考訳（メタデータ） (2022-09-19T12:15:31Z)
Omni-Training for Data-Efficient Deep Learning [80.28715182095975]
近年の進歩により、適切に訓練されたモデルが重要な特性であるトランスファービリティを持つことが明らかとなった。事前訓練とメタトレーニングの厳密な組み合わせは、どちらの種類のトランスファー可能性も達成できない。このことが提案されているOmni-Trainingフレームワークを,データ効率のよいディープラーニングに動機付けている。
論文参考訳（メタデータ） (2021-10-14T16:30:36Z)
Frustratingly Easy Transferability Estimation [64.42879325144439]
本稿では,TransRate という,シンプルで効率的かつ効果的な転送可能性尺度を提案する。 TransRateは、事前訓練されたモデルによって抽出された対象サンプルの特徴とそれらのラベルとの間の相互情報として、転送可能性を測定する。 10行のコードで並外れた単純さにもかかわらず、TransRateは、22の事前訓練されたモデルと16のダウンストリームタスクに対する広範囲な評価において、非常にうまく機能している。
論文参考訳（メタデータ） (2021-06-17T10:27:52Z)
Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
論文参考訳（メタデータ） (2020-09-24T15:40:55Z)

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。