論文の概要: HiT-JEPA: A Hierarchical Self-supervised Trajectory Embedding Framework for Similarity Computation

• arxiv url: http://arxiv.org/abs/2507.00028v1
• Date: Tue, 17 Jun 2025 11:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.392992
• Title: HiT-JEPA: A Hierarchical Self-supervised Trajectory Embedding Framework for Similarity Computation
• Title（参考訳）: HiT-JEPA: 類似性計算のための階層型自己教師型軌道埋め込みフレームワーク
• Authors: Lihuan Li, Hao Xue, Shuang Ao, Yang Song, Flora Salim,
• Abstract要約: セマンティック抽象化レベルを越えたマルチスケール都市軌道表現を学習するための統合フレームワークであるHiT-JEPAを提案する。 HiT-JEPAは、ポイントレベルの細粒度、中間パターン、高レベルの軌道抽象をキャプチャする3層階層構造を採用している。 軌道類似性のための実世界の複数のデータセットの実験は、HiT-JEPAの階層設計がよりリッチでマルチスケールな表現をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 7.602963978226802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The representation of urban trajectory data plays a critical role in effectively analyzing spatial movement patterns. Despite considerable progress, the challenge of designing trajectory representations that can capture diverse and complementary information remains an open research problem. Existing methods struggle in incorporating trajectory fine-grained details and high-level summary in a single model, limiting their ability to attend to both long-term dependencies while preserving local nuances. To address this, we propose HiT-JEPA (Hierarchical Interactions of Trajectory Semantics via a Joint Embedding Predictive Architecture), a unified framework for learning multi-scale urban trajectory representations across semantic abstraction levels. HiT-JEPA adopts a three-layer hierarchy that progressively captures point-level fine-grained details, intermediate patterns, and high-level trajectory abstractions, enabling the model to integrate both local dynamics and global semantics in one coherent structure. Extensive experiments on multiple real-world datasets for trajectory similarity computation show that HiT-JEPA's hierarchical design yields richer, multi-scale representations. Code is available at: https://anonymous.4open.science/r/HiT-JEPA.
• Abstract（参考訳）: 都市軌跡データの表現は,空間移動パターンを効果的に解析する上で重要な役割を担っている。 かなりの進歩にもかかわらず、多様かつ相補的な情報を捉えうる軌道表現を設計するという課題は、オープンな研究課題である。 既存の手法では、局所的なニュアンスを保ちながら、長期的依存関係の両方に出席する能力を制限するため、トラジェクトリの詳細な詳細と高レベルの要約を単一のモデルに組み込むのに苦労している。 そこで本稿では, 意味的抽象化レベルを越えたマルチスケールの都市軌道表現を学習するための統合フレームワークとして, HiT-JEPA (Hierarchical Interactions of Trajectory Semantics via a Joint Embedding Predictive Architecture) を提案する。 HiT-JEPAは、ポイントレベルの細粒度、中間パターン、高レベルの軌道抽象化を段階的にキャプチャする3層階層構造を採用しており、モデルが局所力学と大域的セマンティクスの両方を1つのコヒーレントな構造に統合することを可能にする。 軌道類似性計算のための複数の実世界のデータセットに対する大規模な実験は、HiT-JEPAの階層設計がよりリッチでマルチスケールな表現をもたらすことを示している。 コードは、https://anonymous.4open.science/r/HiT-JEPAで入手できる。

関連論文リスト

• Universal Retrieval for Multimodal Trajectory Modeling [12.160448446091607]
  軌道データは、AIエージェント能力を向上する大きな可能性を秘めている。 本稿では,ユニバーサル検索とエージェント中心軌道モデリングのギャップを埋めるマルチモーダル軌道検索手法を提案する。
  論文  参考訳（メタデータ） (2025-06-27T09:50:38Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• TrajLearn: Trajectory Prediction Learning using Deep Generative Models [4.097342535693401]
  軌道予測は、現在位置と過去の動きデータを用いて、ある物体の将来の進路を推定することを目的としている。 これらの課題に対処するために,軌道予測の新しいモデルであるTrajLearnを紹介する。 TrajLearnは、複数の潜在的パスを探索するためにカスタマイズされたビーム検索を統合することで、次の$k$ステップを予測する。
  論文  参考訳（メタデータ） (2024-12-30T23:38:52Z)
• Context-Enhanced Multi-View Trajectory Representation Learning: Bridging the Gap through Self-Supervised Models [27.316692263196277]
  MVTrajは、軌道表現学習のための新しい多視点モデリング手法である。 GPSから道路網、関心点まで多様な文脈知識を統合し、軌跡データのより包括的な理解を提供する。 実世界のデータセットに対する大規模な実験により、MVTrajは様々な空間ビューに関連するタスクにおいて、既存のベースラインを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-10-17T03:56:12Z)
• T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation [6.844357745770191]
  軌道類似性計算は,様々なアプリケーション間での空間データの移動パターンを解析するための重要な手法である。 本稿では,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性手法T-JEPAを提案する。
  論文  参考訳（メタデータ） (2024-06-13T09:51:51Z)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• Generation Drawing/Grinding Trajectoy Based on Hierarchical CVAE [4.817429789586127]
  階層的変分オートエンコーダ(VAE)を用いた描画・格子軌道の局所的・大域的特徴をモデル化する手法を提案する。 階層生成ネットワークは、比較的少ないトレーニングデータで高階軌道の生成を可能にする。 学習されたモデルの組み合わせを変更することで、過去に学習されたことのない新しい軌跡を生成することができる。
  論文  参考訳（メタデータ） (2021-11-22T02:40:06Z)
• HUMAP: Hierarchical Uniform Manifold Approximation and Projection [42.50219822975012]
  HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。 提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
  論文  参考訳（メタデータ） (2021-06-14T19:27:54Z)
• Densely Nested Top-Down Flows for Salient Object Detection [137.74130900326833]
  本稿では,物体検出におけるトップダウンモデリングの役割を再考する。 密度の高いトップダウンフロー(DNTDF)ベースのフレームワークを設計する。 DNTDFのすべての段階において、高いレベルの特徴はプログレッシブ圧縮ショートカットパス(PCSP)を介して読み込まれる。
  論文  参考訳（メタデータ） (2021-02-18T03:14:02Z)
• Campus3D: A Photogrammetry Point Cloud Benchmark for Hierarchical Understanding of Outdoor Scene [76.4183572058063]
  複数の屋外シーン理解タスクに対して,リッチな注釈付き3Dポイントクラウドデータセットを提案する。 データセットは階層型ラベルとインスタンスベースのラベルの両方でポイントワイズアノテートされている。 本稿では,3次元点雲分割のための階層的学習問題を定式化し,様々な階層間の整合性を評価することを提案する。
  論文  参考訳（メタデータ） (2020-08-11T19:10:32Z)

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。