Fugu-MT 論文翻訳(概要): Graph-Structured Trajectory Extraction from Travelogues

論文の概要: Graph-Structured Trajectory Extraction from Travelogues

arxiv url: http://arxiv.org/abs/2410.16633v1
Date: Tue, 22 Oct 2024 02:21:42 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-23 14:30:28.617789
Title: Graph-Structured Trajectory Extraction from Travelogues
Title（参考訳）: 旅行者からのグラフ構造軌道抽出
Authors: Aitaro Yamamoto, Hiroyuki Otomo, Hiroki Ouchi, Shohei Higashiyama, Hiroki Teranishi, Hiroyuki Shindo, Taro Watanabe,
Abstract要約: 本稿では,地理的階層や訪問場所の時間的順序などの情報を保持するグラフ表現を提案する。ベースラインを用いた実験では、訪問した場所とその順序を正確に予測できることが実証されているが、階層的な関係を予測することは依然として困難である。
参考スコア（独自算出の注目度）: 18.565662566050577
License:
Abstract: Previous studies on sequence-based extraction of human movement trajectories have an issue of inadequate trajectory representation. Specifically, a pair of locations may not be lined up in a sequence especially when one location includes the other geographically. In this study, we propose a graph representation that retains information on the geographic hierarchy as well as the temporal order of visited locations, and have constructed a benchmark dataset for graph-structured trajectory extraction. The experiments with our baselines have demonstrated that it is possible to accurately predict visited locations and the order among them, but it remains a challenge to predict the hierarchical relations.
Abstract（参考訳）: ヒトの運動軌跡の配列に基づく抽出に関するこれまでの研究は、不適切な軌跡表現の問題である。特に、ある位置が他の位置を地理的に含む場合、一対の位置をシーケンスに並べてはならない。本研究では,地理的階層や訪問場所の時間的順序などの情報を保持するグラフ表現を提案し,グラフ構造化軌道抽出のためのベンチマークデータセットを構築した。ベースラインを用いた実験では、訪問した場所とその順序を正確に予測できることが実証されているが、階層的な関係を予測することは依然として困難である。

関連論文リスト

Learning Socio-Temporal Graphs for Multi-Agent Trajectory Prediction [22.667895324575824]
本稿では,2対の社会・時間的相互作用を明示的に捉えるために,Socio-Temporal Graph (STG) と呼ぶ指向非巡回グラフ構造を導入する。軌道予測のためのSTGの構造を学習するためのエンドツーエンドパイプラインを提供するSTGformerというアテンションベースモデルを設計する。提案手法は,2つの大規模ベンチマークデータセットにおいて,最先端の予測精度を総合的に達成する。
論文参考訳（メタデータ） (2023-12-22T01:48:09Z)
Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文参考訳（メタデータ） (2023-11-29T12:48:33Z)
GraphTransformers for Geospatial Forecasting of Hurricane Trajectories [0.6798775532273751]
グラフトランスフォーマを用いた地理空間列の軌跡予測のための新しいフレームワークを提案する。このグラフ構造を明示的に活用することにより、地理空間軌道予測を大幅に改善できることが示される。
論文参考訳（メタデータ） (2023-10-31T04:53:10Z)
Graph-based Time Series Clustering for End-to-End Hierarchical Forecasting [18.069747511100132]
時系列間の関係は、効果的な予測モデル学習における帰納バイアスとして利用することができる。本稿では,関係性および階層的帰納バイアスを統一するグラフベースの手法を提案する。
論文参考訳（メタデータ） (2023-05-30T16:27:25Z)
You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文参考訳（メタデータ） (2023-02-27T22:56:06Z)
Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。近年の研究では、グラフ表現学習における事前学習の有用性が示されている。本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文参考訳（メタデータ） (2023-02-06T16:26:29Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Road Scene Graph: A Semantic Graph-Based Scene Representation Dataset for Intelligent Vehicles [72.04891523115535]
本稿では,車載用特別シーングラフである道路シーングラフを提案する。オブジェクトの提案だけでなく、ペアワイドな関係も提供します。それらをトポロジカルグラフで整理することで、これらのデータは説明可能であり、完全に接続され、GCNによって容易に処理できる。
論文参考訳（メタデータ） (2020-11-27T07:33:11Z)
Map-Based Temporally Consistent Geolocalization through Learning Motion Trajectories [0.5076419064097732]
本稿では, トポロジカルマップ上での運動軌跡を利用したニューラルネットを用いた新しい軌跡学習手法を提案する。ナビゲーションにおける自己運動の距離と方向の両方を認識できる人間の能力に触発されて,軌道学習法は,距離の列として符号化された軌道のパターン表現を学習し,角度を回転させて自己局所化を支援する。
論文参考訳（メタデータ） (2020-10-13T02:08:45Z)
Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。