論文の概要: One Fits All: General Mobility Trajectory Modeling via Masked Conditional Diffusion

• arxiv url: http://arxiv.org/abs/2501.13347v1
• Date: Thu, 23 Jan 2025 03:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:59:07.452564
• Title: One Fits All: General Mobility Trajectory Modeling via Masked Conditional Diffusion
• Title（参考訳）: 一つ:仮設条件拡散による一般運動軌道モデリング
• Authors: Qingyue Long, Can Rong, Huandong Wang, Yong Li,
• Abstract要約: 軌道データは、ネットワーク最適化から都市計画まで、多くのアプリケーションにおいて重要な役割を果たす。 既存のトラジェクトリデータの研究はタスク固有であり、それらの適用性は、生成、回復、予測など、トレーニングされた特定のタスクに限られる。 我々は条件拡散(GenMove)による一般的な軌道モデリングフレームワークを提案する。 我々のモデルは最先端のベースラインを著しく上回り、最高性能は生成タスクの13%以上である。
• 参考スコア（独自算出の注目度）: 11.373845190033297
• License:
• Abstract: Trajectory data play a crucial role in many applications, ranging from network optimization to urban planning. Existing studies on trajectory data are task-specific, and their applicability is limited to the specific tasks on which they have been trained, such as generation, recovery, or prediction. However, the potential of a unified model has not yet been fully explored in trajectory modeling. Although various trajectory tasks differ in inputs, outputs, objectives, and conditions, they share common mobility patterns. Based on these common patterns, we can construct a general framework that enables a single model to address different tasks. However, building a trajectory task-general framework faces two critical challenges: 1) the diversity in the formats of different tasks and 2) the complexity of the conditions imposed on different tasks. In this work, we propose a general trajectory modeling framework via masked conditional diffusion (named GenMove). Specifically, we utilize mask conditions to unify diverse formats. To adapt to complex conditions associated with different tasks, we utilize historical trajectory data to obtain contextual trajectory embeddings, which include rich contexts such as spatiotemporal characteristics and user preferences. Integrating the contextual trajectory embedding into diffusion models through a classifier-free guidance approach allows the model to flexibly adjust its outputs based on different conditions. Extensive experiments on mainstream tasks demonstrate that our model significantly outperforms state-of-the-art baselines, with the highest performance improvement exceeding 13% in generation tasks.
• Abstract（参考訳）: 軌道データは、ネットワーク最適化から都市計画まで、多くのアプリケーションにおいて重要な役割を果たす。 既存のトラジェクトリデータの研究はタスク固有であり、それらの適用性は、生成、回復、予測など、トレーニングされた特定のタスクに限られる。 しかし、統一モデルの可能性はまだ軌道モデルにおいて完全には研究されていない。 様々な軌道タスクは入力、出力、目的、条件によって異なるが、共通の移動パターンを共有している。 これらの共通パターンに基づいて、単一のモデルで異なるタスクに対処できる一般的なフレームワークを構築することができる。 しかし、軌道上のタスク・ジェネラル・フレームワークの構築には2つの重要な課題がある。 1)異なるタスクの形式及び形式における多様性 2)異なる業務に課される条件の複雑さ。 本稿では,マスク付き条件拡散(GenMove)を用いた一般的な軌道モデリングフレームワークを提案する。 具体的には、マスク条件を利用して多様なフォーマットを統一する。 異なるタスクに関連する複雑な条件に適応するために、過去の軌跡データを用いて、時空間特性やユーザ嗜好といったリッチなコンテキストを含む文脈的軌跡埋め込みを得る。 文脈的軌跡を拡散モデルに組み込むことは、分類子なし誘導アプローチにより、異なる条件に基づいて柔軟に出力を調整することができる。 主流タスクに関する大規模な実験により、我々のモデルは最先端のベースラインを著しく上回り、最も高い性能向上が13%を超えることが示されている。

関連論文リスト

• The Non-Local Model Merging Problem: Permutation Symmetries and Variance Collapse [25.002218722102505]
  モデルマージは、特定のタスクでトレーニングされた複数のエキスパートモデルの重みを、単一のマルチタスクモデルに効率的に結合することを目的としている。 この研究は、"非ローカル"マージのより困難なシナリオを探求する。 標準的なマージ技術は、この非局所的な環境で効果的に一般化できないことが多い。 本稿では,タスク毎のマージモデルの出力アクティベーションを再スケール・シフトするマルチタスク手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T17:41:59Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• Regularized Conditional Diffusion Model for Multi-Task Preference Alignment [43.86042557447689]
  連続的な意思決定は、人間の意図と一致し、様々なタスクにまたがる多角性を示すことが望まれる。 従来は条件付き拡散モデルを用いて軌道分布を直接モデル化し,条件生成プロセスとして定式化していた。 本研究では,シングルタスクとマルチタスクの両意思決定の統一条件として,マルチタスクの選好を採用する。
  論文  参考訳（メタデータ） (2024-04-07T11:20:32Z)
• Large Motion Model for Unified Multi-Modal Motion Generation [50.56268006354396]
  Large Motion Model (LMM) は、動き中心のマルチモーダルフレームワークであり、メインストリームのモーション生成タスクをジェネラリストモデルに統合する。 LMMは3つの原則的な側面からこれらの課題に取り組む。
  論文  参考訳（メタデータ） (2024-04-01T17:55:11Z)
• Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion [86.6191592951269]
  一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。 本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T07:24:54Z)
• An Efficient General-Purpose Modular Vision Model via Multi-Task Heterogeneous Training [79.78201886156513]
  本稿では、複数の視覚タスクを実行でき、他の下流タスクに効率的に適応できるモデルを提案する。 提案手法は,単一タスク状態モデルに匹敵する結果を達成し,下流タスクの強力な一般化を実証する。
  論文  参考訳（メタデータ） (2023-06-29T17:59:57Z)
• Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
  ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。 しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。 これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
  論文  参考訳（メタデータ） (2023-04-05T07:28:33Z)
• Task-Adaptive Meta-Learning Framework for Advancing Spatial Generalizability [5.448577641039577]
  本研究では、地域的に異質なデータを位置感応的なメタタスクに組み込むモデルに依存しないメタ学習フレームワークを提案する。 提案手法の1つの大きな利点は、多種多様なタスクへのモデル適応を改善することである。 また、対応する難易度のメタモデルを新しいタスクに自動的に適応させることで、モデルの一般化を強化する。
  論文  参考訳（メタデータ） (2022-12-10T01:50:35Z)
• Uni-Perceiver-MoE: Learning Sparse Generalist Models with Conditional MoEs [63.936622239286685]
  異なるタスクとモダリティ間の干渉が、この現象の主要な要因であることがわかった。 一般モデルに条件混合(Conditional Mixture-of-Experts)を導入する。 コード及び事前訓練されたジェネリストモデルは、解放される。
  論文  参考訳（メタデータ） (2022-06-09T17:59:59Z)

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。