論文の概要: Learning to Land Anywhere: Transferable Generative Models for Aircraft Trajectories

• arxiv url: http://arxiv.org/abs/2511.04155v1
• Date: Thu, 06 Nov 2025 08:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.354858
• Title: Learning to Land Anywhere: Transferable Generative Models for Aircraft Trajectories
• Title（参考訳）: 航空機軌道の移動可能な生成モデル
• Authors: Olav Finne Praesteng Larsen, Massimiliano Ruocco, Michail Spitieris, Abdulmajid Murad, Martina Ragosta,
• Abstract要約: データ豊富な空港で訓練された生成モデルは、転送学習を用いてデータ共有空港に効率的に適応できるかどうかを検討する。 我々は,最先端の拡散・流れマッチングに基づくアーキテクチャを航空分野に適用し,チューリッヒとダブリンのデータセット間の転送性を評価する。 その結果、拡散ベースのモデルはダブリンのデータの5%以下で競争性能を達成し、ベースラインレベルのパフォーマンスは約20%に達することがわかった。
• 参考スコア（独自算出の注目度）: 0.6089496237595778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Access to trajectory data is a key requirement for developing and validating Air Traffic Management (ATM) solutions, yet many secondary and regional airports face severe data scarcity. This limits the applicability of machine learning methods and the ability to perform large-scale simulations or "what-if" analyses. In this paper, we investigate whether generative models trained on data-rich airports can be efficiently adapted to data-scarce airports using transfer learning. We adapt state-of-the-art diffusion- and flow-matching-based architectures to the aviation domain and evaluate their transferability between Zurich (source) and Dublin (target) landing trajectory datasets. Models are pretrained on Zurich and fine-tuned on Dublin with varying amounts of local data, ranging from 0% to 100%. Results show that diffusion-based models achieve competitive performance with as little as 5% of the Dublin data and reach baseline-level performance around 20%, consistently outperforming models trained from scratch across metrics and visual inspections. Latent flow matching and latent diffusion models also benefit from pretraining, though with more variable gains, while flow matching models show weaker generalization. Despite challenges in capturing rare trajectory patterns, these findings demonstrate the potential of transfer learning to substantially reduce data requirements for trajectory generation in ATM, enabling realistic synthetic data generation even in environments with limited historical records.
• Abstract（参考訳）: トラジェクトリーデータへのアクセスは、ATM(Air Traffic Management)ソリューションの開発と検証の鍵となる要件であるが、多くの二次空港や地域空港は深刻なデータ不足に直面している。 これにより、機械学習手法の適用性と、大規模なシミュレーションや"What-if"分析の実行が制限される。 本稿では,データ豊富な空港で訓練された生成モデルを,転送学習を用いて効率的にデータスカース空港に適用できるかどうかを検討する。 我々は,航空機領域に最先端の拡散・流れマッチングに基づくアーキテクチャを適用し,チューリッヒ(ソース)とダブリン(ターゲット)の着陸軌道データセット間の伝達性を評価する。 モデルはチューリッヒで事前訓練され、ダブリンでは0%から100%までさまざまなローカルデータで微調整されている。 その結果、拡散ベースのモデルはダブリンのデータの5%以下で競争性能を達成し、ベースラインレベルのパフォーマンスは約20%に達し、メトリクスや視覚検査のスクラッチからトレーニングしたモデルよりも一貫して優れています。 遅延流整合モデルと遅延拡散モデルは事前学習の恩恵を受けるが、より可変的な利得を持つ一方、フロー整合モデルはより弱い一般化を示す。 これらの知見は、稀な軌跡パターンを捉えることの難しさにもかかわらず、ATMにおける軌跡生成のデータ要求を大幅に低減し、限られた歴史的記録を持つ環境においてもリアルな合成データ生成を可能にするために、転送学習の可能性を示している。

関連論文リスト

• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• Towards foundational LiDAR world models with efficient latent flow matching [3.971158433168816]
  1つの事前学習モデルは、スクラッチからトレーニングよりも最大11%の絶対的な改善を達成でき、我々の比較の30/36では、スクラッチからトレーニングを上回ります。 トレーニングデータの半分と従来の手法の6倍の圧縮比を用いて,最先端の復元精度を実現する潜在条件付きフローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-30T00:16:55Z)
• Deep Reinforcement Learning for Real-Time Ground Delay Program Revision and Corresponding Flight Delay Assignments [24.09560293826079]
  地上遅延プログラム(英語: Ground Delay Programs, GDP)は、航空交通管理(ATM)において、空港における容量の調整と不一致の要求に使用される一般的な交通管理イニシアチブである。 動作クローン(BC)と保守的Qラーニング(CQL)という2つのRLモデルを開発した。 これらのモデルは、地上および空中遅延と終端領域の混雑を統合した洗練された報酬関数を利用することで、GDP効率を向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-05-14T03:48:45Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Transfer learning to improve streamflow forecasts in data sparse regions [0.0]
  本研究では,データスパース領域におけるストリームフロー予測の一般化性能向上のために,微調整およびパラメータ転送による伝達学習(TL)の方法論について検討する。 本稿では,Long Short-Term Memory(LSTM)という形式で,十分に大きなソースドメインデータセットに適合する標準のリカレントニューラルネットワークを提案する。 本稿では,モデルの空間的および時間的成分を分離し,モデルを一般化する訓練を行うことにより,水文学応用のための伝達学習手法を実装する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-06T14:52:53Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)

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。