論文の概要: K Nearest Neighbor-Guided Trajectory Similarity Learning

• arxiv url: http://arxiv.org/abs/2502.00285v1
• Date: Sat, 01 Feb 2025 02:52:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:01:04.769478
• Title: K Nearest Neighbor-Guided Trajectory Similarity Learning
• Title（参考訳）: K 近傍誘導軌道類似性学習
• Authors: Yanchuan Chang, Xu Cai, Christian S. Jensen, Jianzhong Qi,
• Abstract要約: トレイ類似性は、多くの時間的データマイニングアプリケーションの基本である。 サブビュー類似性モデリング機構を備えた高効率トラジェクトリモデルであるTSMiniを提案する。 軌道類似度を学習する場合,TSMiniは平均22%の精度で最先端モデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 27.173636568031107
• License:
• Abstract: Trajectory similarity is fundamental to many spatio-temporal data mining applications. Recent studies propose deep learning models to approximate conventional trajectory similarity measures, exploiting their fast inference time once trained. Although efficient inference has been reported, challenges remain in similarity approximation accuracy due to difficulties in trajectory granularity modeling and in exploiting similarity signals in the training data. To fill this gap, we propose TSMini, a highly effective trajectory similarity model with a sub-view modeling mechanism capable of learning multi-granularity trajectory patterns and a k nearest neighbor-based loss that guides TSMini to learn not only absolute similarity values between trajectories but also their relative similarity ranks. Together, these two innovations enable highly accurate trajectory similarity approximation. Experiments show that TSMini can outperform the state-of-the-art models by 22% in accuracy on average when learning trajectory similarity measures.
• Abstract（参考訳）: 軌道類似性は多くの時空間データマイニングアプリケーションの基本である。 近年,従来の軌道類似度を近似する深層学習モデルが提案されている。 効率的な推論は報告されているが、軌道の粒度モデリングの難しさや訓練データにおける類似信号の活用などにより、類似度近似の精度に課題が残されている。 このギャップを埋めるために、TSMiniを提案する。TSMiniは、高効率な軌道類似モデルであり、多粒度軌道パターンを学習できるサブビューモデリング機構と、TSMiniにトラジェクトリ間の絶対類似値だけでなく、その相対類似度ランクも学習させるk近傍近傍の損失を学習することができる。 これら2つの革新は、高精度な軌道類似性近似を可能にする。 実験により、TSMiniは軌道類似度を学習する際に、平均22%の精度で最先端のモデルより優れていることが示された。

関連論文リスト

• Accelerated Stochastic ExtraGradient: Mixing Hessian and Gradient Similarity to Reduce Communication in Distributed and Federated Learning [50.382793324572845]
  分散コンピューティングはデバイス間の通信を伴うため、効率性とプライバシという2つの重要な問題を解決する必要がある。 本稿では,データ類似性とクライアントサンプリングのアイデアを取り入れた新しい手法について分析する。 プライバシー問題に対処するために,付加雑音の手法を適用し,提案手法の収束への影響を解析する。
  論文  参考訳（メタデータ） (2024-09-22T00:49:10Z)
• Contrastive Trajectory Similarity Learning with Dual-Feature Attention [24.445998309807965]
  トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。 そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。 TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
  論文  参考訳（メタデータ） (2022-10-11T05:25:14Z)
• Incremental Online Learning Algorithms Comparison for Gesture and Visual Smart Sensors [68.8204255655161]
  本稿では,加速度センサデータに基づくジェスチャー認識と画像分類の2つの実例として,最先端の4つのアルゴリズムを比較した。 以上の結果から,これらのシステムの信頼性と小型メモリMCUへのデプロイの可能性が確認された。
  論文  参考訳（メタデータ） (2022-09-01T17:05:20Z)
• A Correlation-Ratio Transfer Learning and Variational Stein's Paradox [7.652701739127332]
  本稿では,モデル間の正確な関係を構築するために,線形相関比という新たな戦略を提案する。 実用面では、新しいフレームワークはいくつかのアプリケーションシナリオ、特にデータストリームと医学研究の分野に適用されます。
  論文  参考訳（メタデータ） (2022-06-10T01:59:16Z)
• Attributable Visual Similarity Learning [90.69718495533144]
  本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2022-03-28T17:35:31Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Towards Similarity-Aware Time-Series Classification [51.2400839966489]
  時系列データマイニングの基本課題である時系列分類(TSC)について検討する。 グラフニューラルネットワーク(GNN)を用いて類似情報をモデル化するフレームワークであるSimTSCを提案する。
  論文  参考訳（メタデータ） (2022-01-05T02:14:57Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Similarity Transfer for Knowledge Distillation [25.042405967561212]
  知識蒸留は、大きなモデルから小さなモデルに知識を移すことで、ポータブルニューラルネットワークを学ぶための一般的なパラダイムである。 本稿では,複数試料のカテゴリ間の類似性を十分に活用することを目的とした,知識蒸留のための類似性伝達法(stkd)を提案する。 その結果, stkdはバニラ知識蒸留法を実質的に上回り, 最先端知識蒸留法よりも精度が高かった。
  論文  参考訳（メタデータ） (2021-03-18T06:54:59Z)
• An Unsupervised Learning Method with Convolutional Auto-Encoder for Vessel Trajectory Similarity Computation [13.003061329076775]
  畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。 収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。 提案手法は従来の軌道類似性手法を効率と有効性で大きく上回っている。
  論文  参考訳（メタデータ） (2021-01-10T04:42:11Z)
• Theoretical bounds on estimation error for meta-learning [29.288915378272375]
  複数の情報源のデータに基づいて学習し、新しいデータでテストしたアルゴリズムに対して、最小収束率に関する新しい情報理論の下限を提供する。 我々の境界は、データソース間で共有される情報に直感的に依存し、任意のアルゴリズムでこの設定で学習することの難しさを特徴づけます。
  論文  参考訳（メタデータ） (2020-10-14T14:57:21Z)

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。