論文の概要: Correlation-Attention Masked Temporal Transformer for User Identity Linkage Using Heterogeneous Mobility Data

• arxiv url: http://arxiv.org/abs/2504.01979v1
• Date: Fri, 28 Mar 2025 02:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:55:40.727464
• Title: Correlation-Attention Masked Temporal Transformer for User Identity Linkage Using Heterogeneous Mobility Data
• Title（参考訳）: 不均一モビリティデータを用いたユーザアイデンティティリンクのための相関注意仮設時間変換器
• Authors: Ziang Yan, Xingyu Zhao, Hanqing Ma, Wei Chen, Jianpeng Qi, Yanwei Yu, Junyu Dong,
• Abstract要約: クロスプラットフォームのIDリンクは、データ品質の低さ、高空間性、ノイズ干渉といった課題に直面している。 ユーザの時間的パターンを学習することでモデル学習を向上させるためのトランスフォーマーベースの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12.92%17.6%、そして5.80%8.8%で大幅に上回っている。
• 参考スコア（独自算出の注目度）: 34.05010046667975
• License:
• Abstract: With the rise of social media and Location-Based Social Networks (LBSN), check-in data across platforms has become crucial for User Identity Linkage (UIL). These data not only reveal users' spatio-temporal information but also provide insights into their behavior patterns and interests. However, cross-platform identity linkage faces challenges like poor data quality, high sparsity, and noise interference, which hinder existing methods from extracting cross-platform user information. To address these issues, we propose a Correlation-Attention Masked Transformer for User Identity Linkage Network (MT-Link), a transformer-based framework to enhance model performance by learning spatio-temporal co-occurrence patterns of cross-platform users. Our model effectively captures spatio-temporal co-occurrence in cross-platform user check-in sequences. It employs a correlation attention mechanism to detect the spatio-temporal co-occurrence between user check-in sequences. Guided by attention weight maps, the model focuses on co-occurrence points while filtering out noise, ultimately improving classification performance. Experimental results show that our model significantly outperforms state-of-the-art baselines by 12.92%~17.76% and 5.80%~8.38% improvements in terms of Macro-F1 and Area Under Curve (AUC).
• Abstract（参考訳）: ソーシャルメディアと位置情報ベースのソーシャルネットワーク(LBSN)の台頭に伴い、プラットフォーム間のチェックインデータはユーザーアイデンティティリンク(UIL)にとって重要になっている。 これらのデータは、ユーザの時空間情報を明らかにするだけでなく、行動パターンや関心に関する洞察を提供する。 しかし、クロスプラットフォームのアイデンティティリンクは、データ品質の低下、高いスパシティ、ノイズ干渉といった課題に直面しており、クロスプラットフォームのユーザ情報の抽出を妨げている。 これらの問題に対処するために,クロスプラットフォームユーザの時空間共起パターンを学習することでモデル性能を向上させるためのトランスフォーマベースのフレームワークMT-Linkを提案する。 我々のモデルは,クロスプラットフォームのユーザチェックインシーケンスにおける時空間的共起を効果的にキャプチャする。 ユーザチェックインシーケンス間の時空間的共起を検出するために相関注意機構を用いる。 注意重みマップによって導かれるこのモデルは、ノイズを除去しながら共起点に焦点を当て、最終的に分類性能を向上する。 実験結果から, 術式ベースラインは12.92%～17.76%, 5.80%～8.38%, Macro-F1 および Area Under Curve (AUC)では改善した。

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)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• Correlated Attention in Transformers for Multivariate Time Series [22.542109523780333]
  本稿では,特徴量依存を効率的に捕捉し,既存のトランスフォーマーのエンコーダブロックにシームレスに統合できる新しいアテンション機構を提案する。 特に、関連性のある注意は、特徴チャネルを横断して、クエリとキー間の相互共分散行列をラグ値で計算し、サブシリーズレベルで選択的に表現を集約する。 このアーキテクチャは、瞬時だけでなく、ラタグされた相互相関の発見と表現の学習を容易にすると同時に、本質的に時系列の自動相関をキャプチャする。
  論文  参考訳（メタデータ） (2023-11-20T17:35:44Z)
• A Correlation Information-based Spatiotemporal Network for Traffic Flow Forecasting [4.933291769305828]
  交通パターンを予測するための新しい相関情報に基づく時間ネットワーク(CorrSTN)を提案する。 特に,最新のモデルであるASTGNNを12.7%,14.4%,27.4%,MAE,RMSE,MAPEをそれぞれ改善した。
  論文  参考訳（メタデータ） (2022-05-20T04:38:49Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• High-Performance Transformer Tracking [74.07751002861802]
  本稿では,シームズ様特徴抽出バックボーンをベースとしたTransformer Tracking(TransT)手法,設計した注意に基づく融合機構,分類と回帰ヘッドを提案する。 実験の結果,TransT法とTransT-M法は7つの一般的なデータセットに対して有望な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-25T09:33:29Z)
• Masked Transformer for Neighhourhood-aware Click-Through Rate Prediction [74.52904110197004]
  本稿では,近隣相互作用に基づくCTR予測を提案し,そのタスクを異種情報ネットワーク(HIN)設定に組み込む。 周辺地域の表現を高めるために,ノード間のトポロジカルな相互作用を4種類検討する。 本研究では,2つの実世界のデータセットに関する総合的な実験を行い,提案手法が最先端のCTRモデルを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-01-25T12:44:23Z)
• Transformer Tracking [76.96796612225295]
  相関は追跡分野において、特に人気のあるシャム系トラッカーにおいて重要な役割を果たす。 本研究は,注意のみを用いてテンプレートと検索領域を効果的に結合した,新しい注意型特徴融合ネットワークを提案する。 実験により、TransTは6つの挑戦的なデータセットで非常に有望な結果が得られます。
  論文  参考訳（メタデータ） (2021-03-29T09:06:55Z)

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。