論文の概要: UniTraj: Universal Human Trajectory Modeling from Billion-Scale Worldwide Traces

• arxiv url: http://arxiv.org/abs/2411.03859v1
• Date: Wed, 06 Nov 2024 12:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:23:59.751727
• Title: UniTraj: Universal Human Trajectory Modeling from Billion-Scale Worldwide Traces
• Title（参考訳）: UniTraj: 数十億ドル規模のトレースから得られたユニバーサルヒューマン軌道モデリング
• Authors: Yuanshao Zhu, James Jianqiao Yu, Xiangyu Zhao, Xuetao Wei, Yuxuan Liang,
• Abstract要約: UniTrajはタスク適応型、領域非依存、高度に一般化可能な人間の軌道基礎モデルである。 WorldTraceは、オープンなWebプラットフォームからソースされた、最初の大規模で高品質でグローバルに分散されたデータセットである。 UniTrajは、スケーラビリティと適応性という点で、既存のアプローチを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 33.519954227942016
• License:
• Abstract: Human trajectory modeling is essential for deciphering movement patterns and supporting advanced applications across various domains. However, existing methods are often tailored to specific tasks and regions, resulting in limitations related to task specificity, regional dependency, and data quality sensitivity. Addressing these challenges requires a universal human trajectory foundation model capable of generalizing and scaling across diverse tasks and geographic contexts. To this end, we propose UniTraj, a Universal human Trajectory foundation model that is task-adaptive, region-independent, and highly generalizable. To further enhance performance, we construct WorldTrace, the first large-scale, high-quality, globally distributed dataset sourced from open web platforms, encompassing 2.45 million trajectories with billions of points across 70 countries. Through multiple resampling and masking strategies designed for pre-training, UniTraj effectively overcomes geographic and task constraints, adapting to heterogeneous data quality. Extensive experiments across multiple trajectory analysis tasks and real-world datasets demonstrate that UniTraj consistently outperforms existing approaches in terms of scalability and adaptability. These results underscore the potential of UniTraj as a versatile, robust solution for a wide range of trajectory analysis applications, with WorldTrace serving as an ideal but non-exclusive foundation for training.
• Abstract（参考訳）: 移動パターンを解読し、様々な領域にわたる高度なアプリケーションを支援するためには、人間の軌道モデリングが不可欠である。 しかし、既存の手法は特定のタスクや領域に合わせて調整されることが多く、結果としてタスクの特異性、地域依存、データ品質の感度に関する制限が生じる。 これらの課題に対処するには、多様なタスクや地理的コンテキストをまたいだ一般化とスケーリングが可能な、普遍的な人間の軌道基盤モデルが必要である。 この目的のために,UniTrajを提案する。UniTrajはタスク適応型で,領域非依存で,高度に一般化可能なユニバーサルヒューマントラジェクトリ基盤モデルである。 パフォーマンスをさらに向上するため,オープンなWebプラットフォームをベースとした,初の大規模で高品質なグローバル分散データセットであるWorldTraceを構築した。 事前トレーニング用に設計された複数のリサンプリングとマスキング戦略を通じて、UniTrajは地理的およびタスクの制約を克服し、異種データ品質に適応する。 複数の軌道分析タスクと実世界のデータセットにわたる大規模な実験は、UniTrajがスケーラビリティと適応性の観点から既存のアプローチを一貫して上回っていることを示している。 これらの結果は、UniTrajの幅広い軌道解析応用のための汎用的で堅牢なソリューションとしての可能性を強調しており、WorldTraceは理想的だが非独占的なトレーニング基盤として機能している。

関連論文リスト

• Uni$^2$Det: Unified and Universal Framework for Prompt-Guided Multi-dataset 3D Detection [64.08296187555095]
  Uni$2$Detは3D検出のための統一的で普遍的なマルチデータセットトレーニングのためのフレームワークである。 マルチデータセット3D検出のためのマルチステージプロンプトモジュールを提案する。 ゼロショットクロスデータセット転送の結果は,提案手法の一般化能力を検証する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:50Z)
• Transferable Unsupervised Outlier Detection Framework for Human Semantic Trajectories [9.816270572121724]
  本稿では,TOD4Traj(Transferable Outlier Detection for Human Semantic Trajectories)フレームワークを提案する。 ToD4Trajはまず、多様なデータ特徴表現を整合させるモダリティ機能統一モジュールを導入した。 コントラスト学習モジュールは、時間的および集団間の定期的な移動パターンを特定するために、さらにプロポーズされる。
  論文  参考訳（メタデータ） (2024-09-28T22:31:00Z)
• ControlTraj: Controllable Trajectory Generation with Topology-Constrained Diffusion Model [39.0442700565278]
  ControlTrajは、トポロジ制約付き拡散モデルを備えた、制御可能なトラジェクトリ生成フレームワークである。 道路セグメントの微細な埋め込みを抽出する新しい道路セグメントオートエンコーダを開発した。 符号化された特徴とトリップ属性は、後に提案された地理的なUNetアーキテクチャにマージされる。
  論文  参考訳（メタデータ） (2024-04-23T09:42:45Z)
• SilverSight: A Multi-Task Chinese Financial Large Language Model Based on Adaptive Semantic Space Learning [4.540505713937026]
  本研究では, 適応意味空間学習(ASSL)フレームワークを導入し, マルチエキスパートモデルの性能向上と選択効率の向上を図る。 研究結果から,本フレームワークはデータの10%に過ぎず,完全なデータトレーニングで得られた結果に近い結果が得られるとともに,強力な一般化能力を示すことがわかった。
  論文  参考訳（メタデータ） (2024-04-07T13:02:21Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• UnitedHuman: Harnessing Multi-Source Data for High-Resolution Human Generation [59.77275587857252]
  総合的な人間のデータセットは、必然的に、局所的な部分についての不十分で低解像度な情報を持っている。 本稿では,高解像度な人為的生成モデルを共同で学習するために,様々な解像度画像を用いたマルチソースデータセットを提案する。
  論文  参考訳（メタデータ） (2023-09-25T17:58:46Z)
• A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
  本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。 このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
  論文  参考訳（メタデータ） (2022-11-04T09:58:57Z)
• Multi-Level Branched Regularization for Federated Learning [46.771459325434535]
  本稿では,各局所モデルにおける複数の補助的分岐を,複数の異なるレベルで局所的および大域的ワークをグラフトすることで構築する,新しいアーキテクチャ正規化手法を提案する。 従来の手法に比べて精度と効率の点で顕著な性能向上を示す。
  論文  参考訳（メタデータ） (2022-07-14T13:59:26Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)

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。