論文の概要: SCOT: Multi-Source Cross-City Transfer with Optimal-Transport Soft-Correspondence Objective

• arxiv url: http://arxiv.org/abs/2604.07383v1
• Date: Wed, 08 Apr 2026 02:42:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.43202
• Title: SCOT: Multi-Source Cross-City Transfer with Optimal-Transport Soft-Correspondence Objective
• Title（参考訳）: SCOT:Soft-Cor correspondingence Objectiveを用いたマルチソースクロスシティトランスファー
• Authors: Yuyao Wang, Min Yang, Meng Chen, Weiming Huang, Yongshun Gong,
• Abstract要約: 都市間移動は、ラベル付きデータを他の都市から活用することで、ラベル付き都市での予測を改善する。 不等領域集合間の明示的なソフト対応を学習する都市間表現学習フレームワークSCOTを提案する。
• 参考スコア（独自算出の注目度）: 29.70837520752111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-city transfer improves prediction in label-scarce cities by leveraging labeled data from other cities, but it becomes challenging when cities adopt incompatible partitions and no ground-truth region correspondences exist. Existing approaches either rely on heuristic region matching, which is often sensitive to anchor choices, or perform distribution-level alignment that leaves correspondences implicit and can be unstable under strong heterogeneity. We propose SCOT, a cross-city representation learning framework that learns explicit soft correspondences between unequal region sets via Sinkhorn-based entropic optimal transport. SCOT further sharpens transferable structure with an OT-weighted contrastive objective and stabilizes optimization through a cycle-style reconstruction regularizer. For multi-source transfer, SCOT aligns each source and the target to a shared prototype hub using balanced entropic transport guided by a target-induced prototype prior. Across real-world cities and tasks, SCOT consistently improves transfer accuracy and robustness, while the learned transport couplings and hub assignments provide interpretable diagnostics of alignment quality.
• Abstract（参考訳）: 都市間移動は、ラベル付きデータを他の都市から活用することで、ラベル付き都市での予測を改善するが、都市が互換性のない分割を採用し、地道な地域対応が存在しない場合には困難になる。 既存のアプローチは、しばしばアンカーの選択に敏感なヒューリスティックな領域マッチングに依存するか、あるいは、対応を暗黙に残し、強い不均一性の下で不安定な分布レベルのアライメントを実行する。 本研究では,Sinkhorn を用いたエントロピー最適輸送により不等領域集合間の明示的なソフト対応を学習する都市間表現学習フレームワーク SCOT を提案する。 SCOTはさらに、OT重み付きコントラスト目的で伝達可能な構造を鋭くし、サイクルスタイルの再構成正規化器によって最適化を安定化する。 マルチソース転送では、SCOTは各ソースとターゲットを、予めターゲット誘導型プロトタイプによって誘導される平衡エントロピートランスポートを使用して、共有プロトタイプハブにアライメントする。 現実世界の都市やタスク全体で、SCOTは一貫して転送精度とロバスト性を改善し、学習されたトランスポート結合とハブ割り当てはアライメント品質の解釈可能な診断を提供する。

関連論文リスト

• TSC: Topology-Conditioned Stackelberg Coordination for Multi-Agent Reinforcement Learning in Interactive Driving [37.09409794849228]
  トポロジ条件付きStackelberg Coordinationは、コミュニケーションフリー実行下での分散インタラクティブ運転のための学習フレームワークである。 TSCは,主要な指標をまたいだ代表的MARLベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2026-02-27T10:46:41Z)
• Bifrost: Steering Strategic Trajectories to Bridge Contextual Gaps for Self-Improving Agents [102.21483770287985]
  本稿では,自己改善のための訓練不要な方法として,BrIdgeコンテキストギャップFoR不適応軌道ステアリング(Bifrost)を提案する。 ビフロストは既存の軌道再利用と微調整による自己改善法を一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-05T16:03:56Z)
• Deep Neural Network-Based Aerial Transport in the Presence of Cooperative and Uncooperative UAS [3.437656066916039]
  本稿では,非クルード航空システム(UAS)を$mathbbRn$で運用することで,分散トランスポートとカバレッジを分散化するためのレジリエントディープニューラルネットワーク(DNN)フレームワークを提案する。 このフレームワークは、規定されたプロトコルに従わない、あるいは従わない非協力的なエージェントの存在下で堅牢なままに設計されている。
  論文  参考訳（メタデータ） (2025-12-06T22:03:41Z)
• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• Joint Optimal Transport and Embedding for Network Alignment [66.49765320358361]
  本稿では,JOENA というネットワークアライメントのための統合最適トランスポートおよび埋め込みフレームワークを提案する。 統一された目的により、両手法の相互利益は、コンバージェンスを保証する最適化スキーマの交互化によって達成できる。 実世界のネットワークの実験はJOENAの有効性とスケーラビリティを検証し、最大16%の改善と20倍の高速化を実現した。
  論文  参考訳（メタデータ） (2025-02-26T17:28:08Z)
• CityLight: A Neighborhood-inclusive Universal Model for Coordinated City-scale Traffic Signal Control [23.5766158697276]
  CityLightは、2つの主要なモジュールで得られた表現に基づいて普遍的なポリシーを学ぶ。 97から13,952の交差点を含む5つの都市規模のデータセットの実験により、CityLightの有効性が確認された。
  論文  参考訳（メタデータ） (2024-06-04T09:10:14Z)
• InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
  InfoOTは最適な輸送の情報理論の拡張である。 幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。 この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
  論文  参考訳（メタデータ） (2022-10-06T18:55:41Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。