論文の概要: Scalable Trajectory-User Linking with Dual-Stream Representation Networks
- arxiv url: http://arxiv.org/abs/2503.15002v1
- Date: Wed, 19 Mar 2025 08:52:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-20 15:22:46.636914
- Title: Scalable Trajectory-User Linking with Dual-Stream Representation Networks
- Title（参考訳）: Dual-Stream Representation Networkによるスケーラブルなトラジェクトリユーザリンク
- Authors: Hao Zhang, Wei Chen, Xingyu Zhao, Jianpeng Qi, Guiyuan Jiang, Yanwei Yu,
- Abstract要約: Trajectory-user Linking (TUL) は、匿名のトラジェクトリを作成した最も可能性の高いユーザとマッチングすることを目的としている。
既存のTUL法は、高モデル複雑さと軌道の効果的な表現の学習不足によって制限されている。
本稿では,デュアルストリーム表現ネットワークを用いた新しい$underline$$underlinee$ Trajectory-User Linkingを提案する。
- 参考スコア（独自算出の注目度）: 18.563941434746784
- License:
- Abstract: Trajectory-user linking (TUL) aims to match anonymous trajectories to the most likely users who generated them, offering benefits for a wide range of real-world spatio-temporal applications. However, existing TUL methods are limited by high model complexity and poor learning of the effective representations of trajectories, rendering them ineffective in handling large-scale user trajectory data. In this work, we propose a novel $\underline{Scal}$abl$\underline{e}$ Trajectory-User Linking with dual-stream representation networks for large-scale $\underline{TUL}$ problem, named ScaleTUL. Specifically, ScaleTUL generates two views using temporal and spatial augmentations to exploit supervised contrastive learning framework to effectively capture the irregularities of trajectories. In each view, a dual-stream trajectory encoder, consisting of a long-term encoder and a short-term encoder, is designed to learn unified trajectory representations that fuse different temporal-spatial dependencies. Then, a TUL layer is used to associate the trajectories with the corresponding users in the representation space using a two-stage training model. Experimental results on check-in mobility datasets from three real-world cities and the nationwide U.S. demonstrate the superiority of ScaleTUL over state-of-the-art baselines for large-scale TUL tasks.
- Abstract（参考訳）: Trajectory-user Linking (TUL)は、匿名のトラジェクトリを生成可能な最も可能性の高いユーザとマッチングすることを目的としており、幅広い現実世界の時空間アプリケーションにメリットを提供する。
しかし,既存のTUL法は,トラジェクトリの効果的な表現の学習が不十分なため,大規模ユーザトラジェクトリデータの処理には不適当である。
本研究では,大規模な$\underline{TUL}$問題であるScaleTULに対して,デュアルストリーム表現ネットワークを用いた新しい$\underline{Scal}$abl$\underline{e}$ Trajectory-User Linkingを提案する。
具体的には、時間的および空間的拡張を用いて2つのビューを生成し、教師付きコントラスト学習フレームワークを利用してトラジェクトリの不規則性を効果的に捉える。
各ビューにおいて、長期エンコーダと短期エンコーダからなるデュアルストリームトラジェクトリエンコーダは、時間空間依存を融合させる統一されたトラジェクトリ表現を学習するために設計されている。
そして、2段階のトレーニングモデルを用いて、TUL層を用いて、その軌道を表現空間内の対応するユーザと関連付ける。
3つの実世界の都市と米国全国のチェックインモビリティデータセットの実験結果は、大規模TULタスクの最先端ベースラインよりもScaleTULの方が優れていることを示している。
関連論文リスト
- HGTUL: A Hypergraph-based Model For Trajectory User Linking [2.9945319641858985]
Tray User Linking (TUL) は、匿名のトラジェクトリとそれを生成するユーザをリンクする。
HGTUL(HyperGraph-based Multi-perspective Trajectory User Linking Model)を提案する。
論文 参考訳（メタデータ） (2025-02-11T13:39:35Z) - TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。
時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。
並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
論文 参考訳（メタデータ） (2024-04-15T06:01:48Z) - Trajectory-User Linking via Hierarchical Spatio-Temporal Attention
Networks [39.6505270702036]
トラジェクトリ・ユーザ・リンク(TUL)は、トラジェクトリをユーザへリンクすることで、人間のモビリティ・モデリングに不可欠である。
既存の作業は主に、トラジェクトリにおける時間的依存関係を符号化するニューラルネットワークフレームワークに依存している。
この研究は、TULの局所軌道遷移パターンとグローバル空間依存性を符号化する、AttnTULと呼ばれる新しい階層的時間的注意ニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2023-02-11T06:22:50Z) - Self-supervised Trajectory Representation Learning with Temporal
Regularities and Travel Semantics [30.9735101687326]
Trajectory Representation Learning (TRL) は空間時間データ分析と管理のための強力なツールである。
既存のTRLの作業は通常、トラジェクトリを通常のシーケンスデータとして扱うが、時間的規則性や旅行意味論といった重要な時空間特性は、完全には利用されない。
本稿では,TemporAl規則と旅行意味論,すなわちSTARTを用いた自己教師付き軌道表現学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-17T13:14:47Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳（メタデータ） (2022-05-31T01:19:18Z) - Mutual Distillation Learning Network for Trajectory-User Linking [30.954285341714]
Trajectory-User Linking (TUL) は、チェックインモビリティデータのばらつきが問題となっている。
そこで本研究では,Mentual 蒸留学習ネットワークを提案する。
論文 参考訳（メタデータ） (2022-05-08T03:50:37Z) - Large Scale Time-Series Representation Learning via Simultaneous Low and
High Frequency Feature Bootstrapping [7.0064929761691745]
本稿では,非コントラスト型自己教師型学習手法を提案する。
提案手法は生の時系列データを入力として、モデルの2つのブランチに対して2つの異なる拡張ビューを生成する。
モデルの堅牢性を実証するために,5つの実世界の時系列データセットに関する広範な実験とアブレーション研究を行った。
論文 参考訳（メタデータ） (2022-04-24T14:39:47Z) - Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust
Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。
CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。
実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文 参考訳（メタデータ） (2021-11-30T04:30:10Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - Hierarchical Optimal Transport for Robust Multi-View Learning [97.21355697826345]
2つの仮定は実際には疑わしいが、これは多視点学習の適用を制限する。
本稿では,これら2つの仮定への依存性を軽減するために,階層的最適輸送法を提案する。
HOT法は教師なし学習と半教師付き学習の両方に適用でき、実験結果から、合成タスクと実世界のタスクの両方で堅牢に動作することが示された。
論文 参考訳（メタデータ） (2020-06-04T22:24:45Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。