論文の概要: SpatCode: Rotary-based Unified Encoding Framework for Efficient Spatiotemporal Vector Retrieval

• arxiv url: http://arxiv.org/abs/2601.09530v1
• Date: Wed, 14 Jan 2026 14:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.437373
• Title: SpatCode: Rotary-based Unified Encoding Framework for Efficient Spatiotemporal Vector Retrieval
• Title（参考訳）: SpatCode: 効率的な時空間ベクトル検索のためのロータリーベース統一符号化フレームワーク
• Authors: Bingde Hu, Enhao Pan, Wanjing Zhou, Yang Gao, Zunlei Feng, Hao Zhong,
• Abstract要約: 本稿では,時間的,空間的,意味的類似性を統合した統合ベクトル検索フレームワークを提案する。 我々のフレームワークは、検索精度と効率の両方において、ベースラインを大幅に上回っている。 これらの結果は、インテリジェントシステムにおけるスケーラブルな時間情報検索における提案手法の有効性を浮き彫りにする。
• 参考スコア（独自算出の注目度）: 24.77802224063016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal vector retrieval has emerged as a critical paradigm in modern information retrieval, enabling efficient access to massive, heterogeneous data that evolve over both time and space. However, existing spatiotemporal retrieval methods are often extensions of conventional vector search systems that rely on external filters or specialized indices to incorporate temporal and spatial constraints, leading to inefficiency, architectural complexity, and limited flexibility in handling heterogeneous modalities. To overcome these challenges, we present a unified spatiotemporal vector retrieval framework that integrates temporal, spatial, and semantic cues within a coherent similarity space while maintaining scalability and adaptability to continuous data streams. Specifically, we propose (1) a Rotary-based Unified Encoding Method that embeds time and location into rotational position vectors for consistent spatiotemporal representation; (2) a Circular Incremental Update Mechanism that supports efficient sliding-window updates without global re-encoding or index reconstruction; and (3) a Weighted Interest-based Retrieval Algorithm that adaptively balances modality weights for context-aware and personalized retrieval. Extensive experiments across multiple real-world datasets demonstrate that our framework substantially outperforms state-of-the-art baselines in both retrieval accuracy and efficiency, while maintaining robustness under dynamic data evolution. These results highlight the effectiveness and practicality of the proposed approach for scalable spatiotemporal information retrieval in intelligent systems.
• Abstract（参考訳）: 時空間ベクトル探索は現代の情報検索において重要なパラダイムとして現れ、時間と空間の両方で進化する巨大な異種データへの効率的なアクセスを可能にしている。 しかし、既存の時空間探索法は、時間的制約や空間的制約を組み込むために外部フィルタや特別な指標に依存する従来のベクトル探索システムの拡張であり、不効率、構造的複雑さ、不均一なモダリティを扱う際の柔軟性の制限につながることが多い。 これらの課題を克服するために、連続データストリームのスケーラビリティと適応性を維持しつつ、コヒーレントな類似性空間内に時間的、空間的、意味的なキューを統合する統合時空間ベクトル検索フレームワークを提案する。 具体的には,一貫した時空間表現のために時間と位置を回転位置ベクトルに埋め込むロータリーベースの統一符号化手法,(2)大域的再エンコードやインデックス再構成を伴わずに効率的なスライディングウインドウ更新をサポートする循環インクリメンタル更新機構,(3)コンテキスト認識とパーソナライズされた検索のためのモダリティ重みを適応的にバランスする重み付き興味に基づく検索アルゴリズムを提案する。 複数の実世界のデータセットにわたる大規模な実験により、我々のフレームワークは、動的データ進化の下で堅牢性を維持しながら、検索精度と効率の両方において最先端のベースラインを大幅に上回ることを示した。 これらの結果は、インテリジェントシステムにおけるスケーラブルな時空間情報検索のための提案手法の有効性と実用性を強調した。

関連論文リスト

• Online Segment Any 3D Thing as Instance Tracking [60.20416622842975]
  オンライン3Dセグメンテーションをインスタンス追跡問題として再認識する(AutoSeg3D)。 視覚基礎モデルに固有の断片化問題を緩和するために,空間整合性学習を導入する。 ScanNet200上でESAMを2.8 AP上回る新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2025-12-08T14:48:51Z)
• Machine Learning for Scientific Visualization: Ensemble Data Analysis [0.0]
  この論文は、科学的可視化を改善するためのディープラーニング技術を探究している。 科学アンサンブルのための自動エンコーダ制御次元削減手法を提案する。 次に,表現力のある高品質フロー推定のための深層学習モデルFLINTを提案する。 最後に,ハイパーネットワークによる流れ場の推定とデータの補間を行うHyperFLINTを紹介する。
  論文  参考訳（メタデータ） (2025-11-28T15:45:54Z)
• FlashResearch: Real-time Agent Orchestration for Efficient Deep Research [62.03819662340356]
  FlashResearchは効率的なディープリサーチのための新しいフレームワークです。 シーケンシャル処理を並列なランタイムオーケストレーションに変換する。 同等のクオリティを維持しつつ、最大5倍のスピードアップを提供できる。
  論文  参考訳（メタデータ） (2025-10-02T00:15:39Z)
• DVLO4D: Deep Visual-Lidar Odometry with Sparse Spatial-temporal Fusion [28.146811420532455]
  DVLO4Dは,空間-時空間融合を利用して精度とロバスト性を向上する新しい視覚-LiDARオドメトリーフレームワークである。 提案手法は,82msの予測時間を持つ高効率で,実時間展開の可能性を秘めている。
  論文  参考訳（メタデータ） (2025-09-07T11:43:11Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Self-Balancing, Memory Efficient, Dynamic Metric Space Data Maintenance, for Rapid Multi-Kernel Estimation [2.6756996523251964]
  本稿では,進化する距離空間における効率的な近傍維持を可能にする,動的自己分散オクツリーデータ構造を提案する。 我々の手法は、特に高次元空間において、精度を維持しながら指数的なスピードアップをもたらす。
  論文  参考訳（メタデータ） (2025-04-25T01:15:53Z)
• SCENT: Robust Spatiotemporal Learning for Continuous Scientific Data via Scalable Conditioned Neural Fields [11.872753517172555]
  SCENTは、スケーラブルで連続性に富んだモデリング学習のための新しいフレームワークである。 SCENTは単一のアーキテクチャ内で表現、再構築、予測を統一する。 我々はSCENTを広範囲なシミュレーションと実世界の実験により検証し、最先端の性能を実証した。
  論文  参考訳（メタデータ） (2025-04-16T17:17:31Z)
• Deeply-Coupled Convolution-Transformer with Spatial-temporal Complementary Learning for Video-based Person Re-identification [91.56939957189505]
  本稿では,高性能ビデオベース Re-ID のための新しい時空間補完学習フレームワークである Deeply-Coupled Convolution-Transformer (DCCT) を提案する。 私たちのフレームワークは、ほとんどの最先端のメソッドよりも優れたパフォーマンスを実現できます。
  論文  参考訳（メタデータ） (2023-04-27T12:16:44Z)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)

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。