論文の概要: SynHAT: A Two-stage Coarse-to-Fine Diffusion Framework for Synthesizing Human Activity Traces

• arxiv url: http://arxiv.org/abs/2604.14705v1
• Date: Thu, 16 Apr 2026 07:12:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.772173
• Title: SynHAT: A Two-stage Coarse-to-Fine Diffusion Framework for Synthesizing Human Activity Traces
• Title（参考訳）: SynHAT: 人間の活動トレースを合成するための2段階間粗大粒拡散フレームワーク
• Authors: Rongchao Xu, Lin Jiang, Dahai Yu, Ximiao Li, Guang Wang,
• Abstract要約: 人間活動(HAT)は、人間のモビリティモデリングやPOI(point-of-interest recommendation)など、多くの応用において重要である。 生成AIの最近の進歩は、そのようなアプリケーションのためにプライバシを保存するHATを合成する新たな機会を提供する。 しかし、2つの大きな課題が残っている: (i) HAT は、非常に不規則で、長い時間間隔で動的であり、 (ii) 生成モデルは、しばしば計算コストが高く、長期的な、きめ細かい HAT 合成が非効率的である。
• 参考スコア（独自算出の注目度）: 5.290747756844097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activity traces (HATs) are critical for many applications, including human mobility modeling and point-of-interest (POI) recommendation. However, growing privacy concerns have severely limited access to authentic large-scale HAT datasets. Recent advances in generative AI provide new opportunities to synthesize realistic and privacy-preserving HATs for such applications. Yet two major challenges remain: (i) HATs are highly irregular and dynamic, with long and varying time intervals, making it difficult to capture their complex spatio-temporal dependencies and underlying distributions; and (ii) generative models are often computationally expensive, making long-term, fine-grained HAT synthesis inefficient. To address these challenges, we propose SynHAT, a computationally efficient coarse-to-fine HAT synthesis framework built on a novel spatio-temporal denoising diffusion model. In Stage 1, we develop Coarse-HADiff, which models the overall spatio-temporal dependencies of coarse-grained latent spatio-temporal traces. It incorporates a novel Latent Spatio-Temporal U-Net with dual Drift-Jitter branches to jointly model smooth spatial transitions and temporal variations during denoising. In Stage 2, we introduce a three-step pipeline consisting of Behavior Pattern Extraction, Fine-HADiff, which shares the same architecture as Coarse-HADiff, and Semantic Alignment to generate fine-grained latent spatio-temporal traces from the Stage 1 outputs. We extensively evaluate SynHAT in terms of data fidelity, utility, privacy, robustness, and scalability. Experiments on real-world HAT datasets from four cities across three countries show that SynHAT substantially outperforms state-of-the-art baselines, achieving 52% and 33% improvements on spatial and temporal metrics, respectively.
• Abstract（参考訳）: ヒューマンアクティビティトレース(HAT)は、人間のモビリティモデリングやPOI(point-of-interest)レコメンデーションなど、多くのアプリケーションにとって重要である。 しかし、プライバシーの懸念が高まるにつれて、真の大規模HATデータセットへのアクセスが著しく制限されている。 生成AIの最近の進歩は、そのようなアプリケーションのための現実的でプライバシ保護のHATを合成する新たな機会を提供する。 しかし、大きな課題が2つ残っている。 (i)HATは非常に不規則で、時間間隔が長いため、複雑な時空間依存性や基礎となる分布を捉えるのが困難である。 (II)生成モデルは、しばしば計算コストが高く、長期的、きめ細かいHAT合成を非効率にする。 これらの課題に対処するため,新しい時空間デノナイズ拡散モデルに基づく計算効率の良い粗大粒HAT合成フレームワークであるSynHATを提案する。 ステージ1では,粗い粒状潜時時間トレースの全体時空間依存性をモデル化した粗いHADiffを開発する。 ふたつのドリフト・ジッター枝を持つ新しいラテント時空間U-Netを組み込んで、スムーズな空間遷移とデノナイジング時の時間変動を共同でモデル化する。 ステージ2では,動作パターン抽出,ファイン・ハディフ,セマンティックアライメントの3段階のパイプラインを導入し,ステージ1出力から微細な潜時的トレースを生成する。 データの完全性、ユーティリティ、プライバシ、堅牢性、スケーラビリティの観点から、SynHATを広く評価する。 3つの国の4つの都市から得られた実世界のHATデータセットの実験によると、SynHATは最先端のベースラインを大幅に上回り、それぞれ52%と33%の改善を達成している。

関連論文リスト

• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• Evaluating the Sensitivity of BiLSTM Forecasting Models to Sequence Length and Input Noise [0.04774522315161165]
  Bidirectional Long Short-Term Memory (BiLSTM)アーキテクチャは、複雑な時間的依存関係のキャプチャに特に有効である。 本研究では,入力シーケンス長と付加雑音の2つの重要なデータ中心因子について,系統的な実験的検討を行った。 実世界の3つのデータセットを用いて制御実験を行い、異なる入力条件下でのBiLSTM性能を評価する。
  論文  参考訳（メタデータ） (2025-12-07T17:10:06Z)
• DDTime: Dataset Distillation with Spectral Alignment and Information Bottleneck for Time-Series Forecasting [28.005308500582405]
  時系列予測は多くの領域で基本となっているが、正確なモデルを訓練するには大規模なデータセットと計算資源が必要となることが多い。 本稿では,一階凝縮分解に基づく軽量・プラグイン蒸留フレームワークDDTimeを提案する。 DDTimeは既存の蒸留法を一貫して上回り、約30%の精度向上を実現し、約2.49%の計算オーバーヘッドを導入した。
  論文  参考訳（メタデータ） (2025-11-20T16:50:09Z)
• Beyond Fixed Variables: Expanding-variate Time Series Forecasting via Flat Scheme and Spatio-temporal Focal Learning [9.205228068704141]
  現実世界のアプリケーションでは、Cyber-Physical Systemsはしばしば新しいセンサーが登場するにつれて拡張され、MTSFの変数が増加する。 本課題は,(1)新しい変数の追加による不整合データ処理,(2)時間的不整合学習に対処する,というユニークな課題を提示する。 これらの課題に対処するため, フレキシブル時間予測フレームワークSTEVを提案する。
  論文  参考訳（メタデータ） (2025-02-21T08:43:26Z)
• ST-ReP: Learning Predictive Representations Efficiently for Spatial-Temporal Forecasting [7.637123047745445]
  自己監督的手法は空間的時間的表現の学習にますます適応している。 現在の値再構成と将来の値予測は、事前学習フレームワークに統合される。 予測能力を高めるために,マルチタイムスケール分析を自己監督的損失に組み込む。
  論文  参考訳（メタデータ） (2024-12-19T05:33:55Z)
• PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from the perspective of partial differential equations [49.80959046861793]
  本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。 7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
  論文  参考訳（メタデータ） (2024-02-25T17:39:44Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Edge Continual Learning for Dynamic Digital Twins over Wireless Networks [68.65520952712914]
  デジタルツイン(DT)は、現実世界とメタバースの間の重要なリンクを構成する。 本稿では,物理的双生児とそれに対応するサイバー双生児の親和性を正確にモデル化する新しいエッジ連続学習フレームワークを提案する。 提案するフレームワークは,破滅的忘れ込みに対して頑健な,高精度かつ同期的なCTモデルを実現する。
  論文  参考訳（メタデータ） (2022-04-10T23:25:37Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)

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。