論文の概要: VISTA: Knowledge-Driven Interpretable Vessel Trajectory Imputation via Large Language Models

• arxiv url: http://arxiv.org/abs/2601.06940v1
• Date: Sun, 11 Jan 2026 15:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.080095
• Title: VISTA: Knowledge-Driven Interpretable Vessel Trajectory Imputation via Large Language Models
• Title（参考訳）: VISTA:大規模言語モデルによる知識駆動型解釈型血管軌道インプット
• Authors: Hengyu Liu, Tianyi Li, Haoyu Wang, Kristian Torp, Tiancheng Zhang, Yushuai Li, Christian S. Jensen,
• Abstract要約: 既存の計算手法は軌道の回復を重視し、解釈可能性に限定的な注意を払っている。 知識駆動型解釈型血管トラジェクトリ・インパクション(VISTA)を提案する。 VISTAは、下流の分析をサポートするための基礎知識を同時に提供しながら、解釈可能性を提供する。
• 参考スコア（独自算出の注目度）: 17.761349370700007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Automatic Identification System provides critical information for maritime navigation and safety, yet its trajectories are often incomplete due to signal loss or deliberate tampering. Existing imputation methods emphasize trajectory recovery, paying limited attention to interpretability and failing to provide underlying knowledge that benefits downstream tasks such as anomaly detection and route planning. We propose knowledge-driven interpretable vessel trajectory imputation (VISTA), the first trajectory imputation framework that offers interpretability while simultaneously providing underlying knowledge to support downstream analysis. Specifically, we first define underlying knowledge as a combination of Structured Data-derived Knowledge (SDK) distilled from AIS data and Implicit LLM Knowledge acquired from large-scale Internet corpora. Second, to manage and leverage the SDK effectively at scale, we develop a data-knowledge-data loop that employs a Structured Data-derived Knowledge Graph for SDK extraction and knowledge-driven trajectory imputation. Third, to efficiently process large-scale AIS data, we introduce a workflow management layer that coordinates the end-to-end pipeline, enabling parallel knowledge extraction and trajectory imputation with anomaly handling and redundancy elimination. Experiments on two large AIS datasets show that VISTA is capable of state-of-the-art imputation accuracy and computational efficiency, improving over state-of-the-art baselines by 5%-94% and reducing time cost by 51%-93%, while producing interpretable knowledge cues that benefit downstream tasks. The source code and implementation details of VISTA are publicly available.
• Abstract（参考訳）: 自動識別システムは海上航行と安全のために重要な情報を提供するが、その軌道はしばしば信号の喪失や意図的な改ざんのために不完全である。 既存の計算手法は軌道の回復を重視し、解釈可能性に限定的な注意を払っており、異常検出や経路計画といった下流のタスクに利益をもたらす基礎知識を提供していない。 本稿では,下流解析を支援するための基礎知識を同時に提供しながら,解釈可能性を提供する最初のトラジェクタリ・インプット・フレームワークである知識駆動型インプット・インプット(VISTA)を提案する。 具体的には、AISデータから抽出した構造化データ由来知識(SDK)と、大規模インターネットコーパスから取得したImplicit LLM知識の組合せとして、基礎となる知識を定義する。 第2に,SDKを大規模に効果的に管理・活用するために,構造化データ由来の知識グラフを用いたデータ知識データループを構築した。 第3に,大規模AISデータを効率的に処理するために,エンドツーエンドパイプラインを協調するワークフロー管理層を導入する。 2つの大きなAISデータセットの実験によると、VISTAは最先端の計算精度と計算効率を向上し、最先端のベースラインを5%-94%改善し、時間コストを51%-93%削減し、下流タスクに恩恵をもたらす解釈可能な知識キューを生成する。 VISTAのソースコードと実装の詳細は公開されている。

関連論文リスト

• Damage Assessment after Natural Disasters with UAVs: Semantic Feature Extraction using Deep Learning [31.376336808244286]
  本稿では、任意の機械学習下流タスクに適用可能な、新しい意味抽出器を提案する。 セマンティック抽出器をオンボードで実行することで、地上局に送信するデータを減らすことができる。 実験により,提案手法は,送信データ量を大幅に削減しつつ,異なる下流タスク間で高い精度を維持することを示す。
  論文  参考訳（メタデータ） (2024-12-14T08:56:22Z)
• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
  本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。 私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。 KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
  軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。 トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。 特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-21T05:57:27Z)
• A Maritime Industry Experience for Vessel Operational Anomaly Detection: Utilizing Deep Learning Augmented with Lightweight Interpretable Models [0.19116784879310028]
  本研究は,半教師付き深層学習モデルに軽量な解釈可能なサロゲートモデルを適用した船体動作異常検出手法を示す。 我々は、通常の運用データに基づいて訓練され、実際の異常検出データでテストされた標準および長期記憶(LSTM)オートエンコーダを利用する。
  論文  参考訳（メタデータ） (2023-12-30T01:31:54Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Efficient Visual Fault Detection for Freight Train Braking System via Heterogeneous Self Distillation in the Wild [8.062167870951706]
  本稿では,検出精度と速度を確保するため,不均一な自己蒸留フレームワークを提案する。 我々は,学習効率を向上させるために,ラベル付近の値にネットワークを集中させる新たな損失関数を用いる。 我々のフレームワークは毎秒37フレーム以上を達成でき、従来の蒸留法と比較して高い精度を維持することができる。
  論文  参考訳（メタデータ） (2023-07-03T01:27:39Z)
• A Dimensional Structure based Knowledge Distillation Method for Cross-Modal Learning [15.544134849816528]
  簡単な作業から抽出した特徴を解析・観察することで特徴識別性と次元構造(DS)の相関を見いだす。 クロスモーダル・ナレッジ・蒸留法 (CMKD) を提案し, 教師付きクロスモーダル・ラーニング (CML) の性能向上を図る。 提案手法は, チャネル的に独立して, 中間的な特徴を均一に分散させることで, その精度を高めるために, 難易度から意味的に無関係な特徴を学習する。
  論文  参考訳（メタデータ） (2023-06-28T07:29:26Z)
• Gradient Imitation Reinforcement Learning for General Low-Resource Information Extraction [80.64518530825801]
  本研究では,ラベル付きデータに対する勾配降下方向を模倣するために擬似ラベル付きデータを奨励するグラディエント強化学習法(GIRL)を開発した。 GIRLを利用して、低リソース設定ですべてのIEサブタスク(エンティティ認識、関係抽出、イベント抽出)を解決します。
  論文  参考訳（メタデータ） (2022-11-11T05:37:19Z)
• Segmentation-guided Domain Adaptation for Efficient Depth Completion [3.441021278275805]
  本稿では,vgg05型CNNアーキテクチャと半教師付きドメイン適応手法に基づく効率的な深度補完モデルを提案する。 空間的コヒーレンスを高めるため,情報ソースとしてセグメンテーションを用いた学習プロセスを導出する。 提案手法は,計算フットプリントを著しく低くしながら,従来手法の効率的かつ低パラメータ状態を改善する。
  論文  参考訳（メタデータ） (2022-10-14T13:01:25Z)

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。