論文の概要: Collaborative Imputation of Urban Time Series through Cross-city Meta-learning

• arxiv url: http://arxiv.org/abs/2501.11306v1
• Date: Mon, 20 Jan 2025 07:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:24:49.647527
• Title: Collaborative Imputation of Urban Time Series through Cross-city Meta-learning
• Title（参考訳）: 都市横断メタラーニングによる都市時系列の協調計算
• Authors: Tong Nie, Wei Ma, Jian Sun, Yu Yang, Jiannong Cao,
• Abstract要約: メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
• 参考スコア（独自算出の注目度）: 54.438991949772145
• License:
• Abstract: Urban time series, such as mobility flows, energy consumption, and pollution records, encapsulate complex urban dynamics and structures. However, data collection in each city is impeded by technical challenges such as budget limitations and sensor failures, necessitating effective data imputation techniques that can enhance data quality and reliability. Existing imputation models, categorized into learning-based and analytics-based paradigms, grapple with the trade-off between capacity and generalizability. Collaborative learning to reconstruct data across multiple cities holds the promise of breaking this trade-off. Nevertheless, urban data's inherent irregularity and heterogeneity issues exacerbate challenges of knowledge sharing and collaboration across cities. To address these limitations, we propose a novel collaborative imputation paradigm leveraging meta-learned implicit neural representations (INRs). INRs offer a continuous mapping from domain coordinates to target values, integrating the strengths of both paradigms. By imposing embedding theory, we first employ continuous parameterization to handle irregularity and reconstruct the dynamical system. We then introduce a cross-city collaborative learning scheme through model-agnostic meta learning, incorporating hierarchical modulation and normalization techniques to accommodate multiscale representations and reduce variance in response to heterogeneity. Extensive experiments on a diverse urban dataset from 20 global cities demonstrate our model's superior imputation performance and generalizability, underscoring the effectiveness of collaborative imputation in resource-constrained settings.
• Abstract（参考訳）: モビリティフロー、エネルギー消費、公害記録などの都市時系列は、複雑な都市動態と構造をカプセル化している。 しかし、各都市のデータ収集は、予算の制限やセンサーの故障といった技術的課題によって妨げられ、データ品質と信頼性を向上させる効果的なデータ計算技術を必要としている。 既存の計算モデルでは、学習に基づくパラダイムと分析に基づくパラダイムに分類され、キャパシティと一般化可能性の間のトレードオフに対応している。 複数の都市にまたがるデータを再構築するコラボレーション学習は、このトレードオフを破るという約束を果たす。 それでも、都市データの固有の不規則性と不均一性の問題は、都市間の知識共有とコラボレーションの課題を悪化させる。 これらの制約に対処するために,メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 INRはドメイン座標から目標値への連続的なマッピングを提供し、両方のパラダイムの強みを統合する。 埋め込み理論を導入することで、不規則性に対処し、力学系を再構築するために、まず連続パラメータ化を用いる。 次に、モデルに依存しないメタ学習を通じて都市間協調学習手法を導入し、階層的変調と正規化技術を導入し、マルチスケール表現を許容し、不均一性に応じて分散を低減する。 20大都市からの多様な都市データセットに対する大規模な実験は、資源制約された環境下での協調計算の有効性を実証し、我々のモデルの優れた計算性能と一般化可能性を示す。

関連論文リスト

• Reconstructing Human Mobility Pattern: A Semi-Supervised Approach for Cross-Dataset Transfer Learning [10.864774173935535]
  セマンティック・アクティビティ・チェーンに着目し,人間のモビリティ・パターンを再構築し,学習するモデルを開発した。 本稿では,多様な地理的文脈にモデルを適応させるために,半教師付き反復移動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:29:56Z)
• Joint Estimation and Prediction of City-wide Delivery Demand: A Large Language Model Empowered Graph-based Learning Approach [40.357070798871675]
  電子商取引と都市化の進展は、都市部における配送業務を著しく強化した。 データ駆動予測手法、特に機械学習技術を利用した手法は、これらの複雑さを扱うために登場した。 本稿では,この問題を伝達可能なグラフ時間に基づく学習タスクとして定式化する。 中国とアメリカの8都市を含む2つの実世界の配送データセットに関する総合的な実証的評価結果から、我々のモデルは、精度、効率、転送性において最先端のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-08-30T12:56:17Z)
• SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
  現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。 本稿では,交通事故予測のための動的学習フレームワークを提案する。 これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。 また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
  論文  参考訳（メタデータ） (2024-07-24T21:10:34Z)
• Spatio-Temporal Few-Shot Learning via Diffusive Neural Network Generation [25.916891462152044]
  本稿では,都市知識伝達を伴う複雑な数ショット学習のための新しい生成事前学習フレームワークであるGPDを提案する。 我々は、プロンプトで導かれる調整されたニューラルネットワークを生成する生成拡散モデルを再放送する。 GPDは、トラフィック速度予測やクラウドフロー予測といったタスクのデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2024-02-19T08:11:26Z)
• Personalizing Federated Learning with Over-the-Air Computations [84.8089761800994]
  フェデレートされたエッジ学習は、プライバシー保護の方法で無線ネットワークのエッジにインテリジェンスをデプロイする、有望な技術である。 このような設定の下で、複数のクライアントは、エッジサーバの調整の下でグローバルジェネリックモデルを協調的にトレーニングする。 本稿では,アナログオーバー・ザ・エア計算を用いて通信ボトルネックに対処する分散トレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-02-24T08:41:19Z)
• From Cities to Series: Complex Networks and Deep Learning for Improved Spatial and Temporal Analytics* [0.0]
  この論文は複雑なネットワークと機械学習技術を組み合わせて、パンデミック、垂直移動、およびストリートネットワークで観察される人間の現象の理解を改善する。 i) 集中治療室における流行の伝播, 天気予報, 患者モニタリングの応用により, 空間的および時間的データで観測される動的なプロセスをモデル化できる新しいニューラルネットワークアーキテクチャ, (ii) ブラジルのすべての都市間における人間の移動性の範囲におけるリンクを分析し予測するための機械学習手法を貢献する。
  論文  参考訳（メタデータ） (2022-06-01T11:04:11Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)
• 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)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。