論文の概要: AdaptGOT: A Pre-trained Model for Adaptive Contextual POI Representation Learning

• arxiv url: http://arxiv.org/abs/2506.21612v1
• Date: Sat, 21 Jun 2025 08:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.920823
• Title: AdaptGOT: A Pre-trained Model for Adaptive Contextual POI Representation Learning
• Title（参考訳）: AdaptGOT:適応的文脈POI表現学習のための事前学習モデル
• Authors: Xiaobin Ren, Xinyu Zhu, Kaiqi Zhao,
• Abstract要約: 本稿では,Adaptive表現学習技術とGeographical-Co-Occurrence-Text表現を統合したAdaptGOTモデルを提案する。 アダプGOTモデルは、(1)KNN、密度ベース、重要度ベース、カテゴリー認識といった高度な混合サンプリング手法を統合して複雑なコンテキスト近傍を捕捉するコンテキスト近傍生成、(2)高品質でカスタマイズされた表現を導出し、POI間の複雑な相互関係を効率的に捉えるように設計された注意機構によって強化された高度なGOT表現、(3)位相整合性を保証するMoEベースの適応エンコーダ・デコーダアーキテクチャ、の3つの主要な構成要素から構成される。
• 参考スコア（独自算出の注目度）: 7.277204616781735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Currently, considerable strides have been achieved in Point-of-Interest (POI) embedding methodologies, driven by the emergence of novel POI tasks like recommendation and classification. Despite the success of task-specific, end-to-end models in POI embedding, several challenges remain. These include the need for more effective multi-context sampling strategies, insufficient exploration of multiple POI contexts, limited versatility, and inadequate generalization. To address these issues, we propose the AdaptGOT model, which integrates both the (Adapt)ive representation learning technique and the Geographical-Co-Occurrence-Text (GOT) representation with a particular emphasis on Geographical location, Co-Occurrence and Textual information. The AdaptGOT model comprises three key components: (1) contextual neighborhood generation, which integrates advanced mixed sampling techniques such as KNN, density-based, importance-based, and category-aware strategies to capture complex contextual neighborhoods; (2) an advanced GOT representation enhanced by an attention mechanism, designed to derive high-quality, customized representations and efficiently capture complex interrelations between POIs; and (3) the MoE-based adaptive encoder-decoder architecture, which ensures topological consistency and enriches contextual representation by minimizing Jensen-Shannon divergence across varying contexts. Experiments on two real-world datasets and multiple POI tasks substantiate the superior performance of the proposed AdaptGOT model.
• Abstract（参考訳）: 現在、POI(Point-of-Interest)組み込み手法において、推奨や分類といった新しいPOIタスクの出現によって、かなりの進歩が達成されている。 POI組み込みにおけるタスク固有のエンドツーエンドモデルの成功にもかかわらず、いくつかの課題が残っている。 これには、より効果的なマルチコンテキストサンプリング戦略の必要性、複数のPOIコンテキストの不十分な探索、限られた汎用性、不適切な一般化などが含まれる。 これらの問題に対処するために,AdaptGOTモデルを提案する。このモデルでは,(適応的表現学習技術と地理-共起テキスト(GOT)表現の両方を,地理的位置,共起情報,テキスト情報に特に重点を置いて統合する。 アダプGOTモデルは,(1)KNN,密度ベース,重要度ベース,カテゴリー認識といった高度な混合サンプリング手法を統合し,複雑なコンテキスト近傍を捉えること,(2)高品質でカスタマイズされた表現を導出し,POI間の複雑な相互関係を効率的に捉えるように設計された注意機構によって強化された高度なGOT表現,(3)トポロジカルな一貫性を保証するMoEベースの適応エンコーダ・デコーダアーキテクチャ,およびJensen-Shannon分散を最小化するコンテキスト表現の強化,の3つの重要な構成要素から構成される。 2つの実世界のデータセットと複数のPOIタスクの実験は、提案したAdaptGOTモデルの優れたパフォーマンスを裏付けるものである。

関連論文リスト

• Context-Adaptive Graph Neural Networks for Next POI Recommendation [29.05713313255777]
  Next Point-of-Interest(POI)レコメンデーションは、チェックイン履歴に基づいて、ユーザの次の訪問を予測することを目的として、位置情報ベースのサービスにおいて重要なタスクである。 本稿では,コンテキスト適応型グラフニューラルネットワーク(CAGNN)を次のPOIレコメンデーションに適用し,エッジ固有のコンテキスト要因を用いて注意重みを動的に調整する手法を提案する。 3つの実世界のデータセットに対する実験結果から、CAGNNは一貫して最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-12T03:33:58Z)
• Point-In-Context: Understanding Point Cloud via In-Context Learning [67.20277182808992]
  In-context Learningによる3Dポイントクラウド理解のための新しいフレームワークであるPoint-In-Context(PIC)を紹介した。 マスク付き点モデリングを3次元点群に効果的に拡張するという技術的課題に,Joint Smplingモジュールを導入して対処する。 In-Context LabelingとIn-Context Enhancingという2つの新しいトレーニング戦略を提案し、PICの拡張版であるPoint-In-Context-Segmenter(PIC-S)を作成している。
  論文  参考訳（メタデータ） (2024-04-18T17:32:32Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• Towards Lightweight Cross-domain Sequential Recommendation via External Attention-enhanced Graph Convolution Network [7.1102362215550725]
  クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。 上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。 フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
  論文  参考訳（メタデータ） (2023-02-07T03:06:29Z)
• Entity-enhanced Adaptive Reconstruction Network for Weakly Supervised Referring Expression Grounding [214.8003571700285]
  Referring Expression Grounding (REG) は、言語表現によって記述されたイメージにおいて特定のターゲットをグラウンドすることを目的としている。 我々は、エンティティ強化適応再構築ネットワーク(EARN)を設計する。 EARNには、エンティティの強化、適応的な接地、協調的な再構築の3つのモジュールが含まれている。
  論文  参考訳（メタデータ） (2022-07-18T05:30:45Z)

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。