論文の概要: GeoGen: A Two-stage Coarse-to-Fine Framework for Fine-grained Synthetic Location-based Social Network Trajectory Generation

• arxiv url: http://arxiv.org/abs/2510.07735v1
• Date: Thu, 09 Oct 2025 03:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.839249
• Title: GeoGen: A Two-stage Coarse-to-Fine Framework for Fine-grained Synthetic Location-based Social Network Trajectory Generation
• Title（参考訳）: GeoGen: 微粒な位置情報に基づくソーシャルネットワークトラジェクトリ生成のための2段階間粗大化フレームワーク
• Authors: Rongchao Xu, Kunlin Cai, Lin Jiang, Dahai Yu, Zhiqing Hong, Yuan Tian, Guang Wang,
• Abstract要約: 大規模LBSNチェックイン軌道生成のための2段階粗粒化フレームワークを提案する。 第1段階では,従来のLBSNチェックイン軌道から空間的連続的,時間的正則な潜伏運動列を再構成する。 第2段階では、エンコーダの動的コンテキスト融合機構とマルチタスクハイブリッドヘッドデコーダを備えたトランスフォーマーベースのSeq2SeqアーキテクチャであるCoarse2FineNetを設計する。
• 参考スコア（独自算出の注目度）: 14.180030602892865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Location-Based Social Network (LBSN) check-in trajectory data are important for many practical applications, like POI recommendation, advertising, and pandemic intervention. However, the high collection costs and ever-increasing privacy concerns prevent us from accessing large-scale LBSN trajectory data. The recent advances in synthetic data generation provide us with a new opportunity to achieve this, which utilizes generative AI to generate synthetic data that preserves the characteristics of real data while ensuring privacy protection. However, generating synthetic LBSN check-in trajectories remains challenging due to their spatially discrete, temporally irregular nature and the complex spatio-temporal patterns caused by sparse activities and uncertain human mobility. To address this challenge, we propose GeoGen, a two-stage coarse-to-fine framework for large-scale LBSN check-in trajectory generation. In the first stage, we reconstruct spatially continuous, temporally regular latent movement sequences from the original LBSN check-in trajectories and then design a Sparsity-aware Spatio-temporal Diffusion model (S$^2$TDiff) with an efficient denosing network to learn their underlying behavioral patterns. In the second stage, we design Coarse2FineNet, a Transformer-based Seq2Seq architecture equipped with a dynamic context fusion mechanism in the encoder and a multi-task hybrid-head decoder, which generates fine-grained LBSN trajectories based on coarse-grained latent movement sequences by modeling semantic relevance and behavioral uncertainty. Extensive experiments on four real-world datasets show that GeoGen excels state-of-the-art models for both fidelity and utility evaluation, e.g., it increases over 69% and 55% in distance and radius metrics on the FS-TKY dataset.
• Abstract（参考訳）: 位置情報ベースのソーシャルネットワーク(LBSN)チェックイントラジェクトリデータは、POIレコメンデーション、広告、パンデミック介入など、多くの実用的なアプリケーションにとって重要である。 しかし,収集コストの高騰とプライバシー上の懸念により,大規模LBSNトラジェクトリデータへのアクセスが不可能になる。 合成データ生成の最近の進歩により、生成AIを使用して、プライバシ保護を確保しつつ、実際のデータの特徴を保存する合成データを生成する新たな機会が得られました。 しかし、空間的に離散的で時間的に不規則な性質と、スパース活動や不確実な人間の移動によって引き起こされる複雑な時空間パターンにより、合成LBSNチェックイン軌道の生成は依然として困難である。 この課題に対処するため,大規模LBSNチェックイン軌道生成のための2段階間粗大化フレームワークGeoGenを提案する。 第1段階では,従来のLBSNチェックイン軌道から空間的連続的,時間的正則な潜伏運動列を再構成し,スペーサ性を考慮した時空間拡散モデル(S$^2$TDiff)を設計し,その基礎となる行動パターンを学習する。 第2段階では、トランスフォーマーベースのSeq2SeqアーキテクチャであるCoarse2FineNetを設計し、エンコーダの動的コンテキスト融合機構とマルチタスクハイブリッドヘッドデコーダを備える。 実世界の4つのデータセットに対する大規模な実験によると、GeoGenは、FS-TKYデータセットの69%以上と55%以上の距離と半径の計測値で、忠実さと実用性の評価の両方のために最先端のモデルを排他的に表現している。

関連論文リスト

• GCN-TULHOR: Trajectory-User Linking Leveraging GCNs and Higher-Order Spatial Representations [3.704533038474922]
  Trajectory-user Linking (TUL) は、匿名化されたトラジェクトリとそれを生成したユーザを関連付けることを目的としている。 本稿では,GCN-TULHORという,原位置データを高次移動フロー表現に変換する手法を紹介する。 提案手法は,スパースチェックインと連続GPSトラジェクトリデータの両方を高次フロー表現に変換する。
  論文  参考訳（メタデータ） (2025-09-14T05:14:09Z)
• GSMT: Graph Fusion and Spatiotemporal TaskCorrection for Multi-Bus Trajectory Prediction [3.391039124827674]
  GSMTは、グラフ注意ネットワーク(GAT)とシーケンス・ツー・シーケンス・リカレントニューラルネットワーク(RNN)を統合するハイブリッドモデルである。 タスク修正器は、歴史的軌跡をクラスタリングして、異なる動きパターンを特定し、GATおよびRNNによって生成された予測を微調整する。 マレーシアのクアラルンプール(Kuala Lumpur)で実世界のデータセットを用いて行った実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-08-12T06:54:26Z)
• Leveraging the Spatial Hierarchy: Coarse-to-fine Trajectory Generation via Cascaded Hybrid Diffusion [40.869003778750205]
  プライバシー上の懸念とデータ収集コストのため、詳細な人体移動軌道は一般に公開されにくい。 細粒度・プライバシー保護モビリティ生成のための軌道合成フレームワークであるCardiffを提案する。 提案手法は,様々な指標において,最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-08T03:50:01Z)
• A2 Copula-Driven Spatial Bayesian Neural Network For Modeling Non-Gaussian Dependence: A Simulation Study [0.0]
  A2-SBNNは、座標を連続体にマッピングするために設計された予測空間モデルである。 A2-SBNNは、広範囲の依存性強度に対して、常に高い精度を提供する。
  論文  参考訳（メタデータ） (2025-05-29T21:02:44Z)
• Parallel Sequence Modeling via Generalized Spatial Propagation Network [80.66202109995726]
  Generalized Spatial Propagation Network (GSPN)は、2次元空間構造を本質的にキャプチャする最適化された視覚タスクのための新しいアテンションメカニズムである。 GSPNは、空間的コヒーレントな画像データを直接操作し、ラインスキャンアプローチを通じて高密度なペアワイズ接続を形成することにより、制限を克服する。 GSPNは、ImageNet分類、クラス誘導画像生成、テキスト・ツー・イメージ生成などの視覚タスクにおいて、より優れた空間忠実性と最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:19Z)
• EnerVerse: Envisioning Embodied Future Space for Robotics Manipulation [55.26713167507132]
  本稿では,エンボディ空間の構築と解釈を行う生成ロボティクス基礎モデルを提案する。 EnerVerseは、自己回帰的ビデオ拡散フレームワークを使用して、命令から将来のエンボディドスペースを予測する。 本稿では,生成モデルと4次元ガウススプラッティングを組み合わせたデータエンジンパイプラインであるEnerVerse-Dについて述べる。
  論文  参考訳（メタデータ） (2025-01-03T17:00:33Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• UVTM: Universal Vehicle Trajectory Modeling with ST Feature Domain Generation [34.918489559139715]
  普遍的な車両軌道モデルは異なるタスクに適用でき、複数の専門モデルを維持する必要がなくなる。 過度な再訓練を伴わずに様々なタスクに効果的に適応できるユニバーサル車両軌道モデル(UVTM)を提案する。 UVTMは、細かな特徴不完全軌跡から密度の高い特徴完全軌跡を再構築することで事前訓練される。
  論文  参考訳（メタデータ） (2024-02-11T15:49:50Z)
• Score-based Generative Modeling in Latent Space [93.8985523558869]
  スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。 本稿では,Latent Score-based Generative Model (LSGM)を提案する。 データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
  論文  参考訳（メタデータ） (2021-06-10T17:26:35Z)
• Recent Developments Combining Ensemble Smoother and Deep Generative Networks for Facies History Matching [58.720142291102135]
  本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。 本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
  論文  参考訳（メタデータ） (2020-05-08T21:32:42Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。