論文の概要: CoMemNet: Contrastive Sampling with Memory Replay Network for Continual Traffic Prediction

• arxiv url: http://arxiv.org/abs/2605.05738v1
• Date: Thu, 07 May 2026 06:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.564374
• Title: CoMemNet: Contrastive Sampling with Memory Replay Network for Continual Traffic Prediction
• Title（参考訳）: CoMemNet: 連続的なトラフィック予測のためのメモリリプレイネットワークによるコントラストサンプリング
• Authors: Mei Wu, Wenchao Weng, Wenxin Su, Wenjie Tang, Wei Zhou,
• Abstract要約: 本稿では,CoMemNet という名前のトラフィック予測のための,シンプルで効率的な2分岐連続学習フレームワークを提案する。 CoMemNetは、大規模な3つの実世界のデータセットすべてにわたって、最先端(SOTA)のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 9.20946167868458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, the integration of non-topological space modeling with temporal learning methods has emerged as an effective approach for capturing spatio-temporal information in non-Euclidean graphs. However, most existing methods rely on static underlying graph structures, which are inadequate for capturing the continuously expanding and evolving patterns in streaming traffic networks. To address this challenge, we propose a simple yet efficient dual-branch continual learning framework for traffic prediction, named CoMemNet. The fast-converging Online branch undertakes the primary prediction tasks, while the momentum-updated Target branch extracts historical information using Wasserstein Distance features to create a Dynamic Contrastive Sampler (DC Sampler). This sampler selects a node set with significant dynamic network feature changes for training, effectively mitigating the issue of catastrophic forgetting. Additionally, the backbone incorporates a lightweight Node-Adaptive Temporal Memory Buffer (TMRB-N) to consolidate old knowledge through memory replay and address the risk of memory explosion. Finally, we provide two newly curated open-source datasets. Experimental results demonstrate that CoMemNet achieves state-of-the-art (SOTA) performance across all three large-scale real-world datasets. The code is available at: https://github.com/meiwu5/CoMemNet.
• Abstract（参考訳）: 近年,非ユークリッドグラフにおける時空間情報収集に有効な手法として,非位相空間モデリングと時間学習手法の統合が出現している。 しかし、既存のほとんどの手法は静的なグラフ構造に依存しており、ストリーミングトラフィックネットワークにおける継続的な拡張および進化パターンのキャプチャには不十分である。 この課題に対処するために,CoMemNet という名前のトラフィック予測のための,シンプルで効率的な2分岐連続学習フレームワークを提案する。 高速収束するオンラインブランチは、主要な予測タスクを処理し、モーメントアップされたターゲットブランチは、Wasserstein Distance機能を使用して履歴情報を抽出し、ダイナミックコントラストサンプリング(DCサプラー)を作成する。 トレーニング用に重要な動的ネットワーク特徴変化を持つノードセットを選択し、破滅的忘れの問題を効果的に軽減する。 さらに、バックボーンには軽量のNode-Adaptive Temporal Memory Buffer (TMRB-N)が組み込まれており、メモリリプレイを通じて古い知識を統合し、メモリ爆発のリスクに対処する。 最後に、新たにキュレートされた2つのオープンソースデータセットを提供します。 実験結果から,CoMemNetは3つの大規模実世界のデータセットすべてに対して,最先端(SOTA)のパフォーマンスを実現することが示された。 コードは、https://github.com/meiwu5/CoMemNet.comで入手できる。

関連論文リスト

• SimpleMem: Efficient Lifelong Memory for LLM Agents [73.74399447715052]
  セマンティックロスレス圧縮に基づく効率的なメモリフレームワークSimpleMemを紹介する。 本稿では,情報密度とトークン利用量の最大化を目的とした3段階パイプラインを提案する。 ベンチマークデータセットを用いた実験により,提案手法は精度,検索効率,推論コストにおいて,ベースラインアプローチを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2026-01-05T21:02:49Z)
• Mitigating Trade-off: Stream and Query-guided Aggregation for Efficient and Effective 3D Occupancy Prediction [12.064509280163502]
  3Dの占有率予測は、自動運転の重要な認識課題として浮上している。 近年の研究では、過去の観測から得られた情報の統合に焦点が当てられ、予測精度が向上している。 本稿では,過去の情報をストリームベースで集約するフレームワークStreamOccを提案する。 Occ3D-nusデータセットの実験によると、StreamOccはリアルタイム設定で最先端のパフォーマンスを実現し、メモリ使用量を従来の方法に比べて50%以上削減している。
  論文  参考訳（メタデータ） (2025-03-28T02:05:53Z)
• Rethinking Efficient and Effective Point-based Networks for Event Camera Classification and Regression: EventMamba [11.400397931501338]
  イベントカメラは生物学的システムからインスピレーションを受け、低レイテンシと高ダイナミックレンジを持ち、最小限の電力を消費する。 Event Cloudの処理に対する現在のアプローチは、フレームベースの表現に変換することが多い。 我々はPoint Cloud表現に基づく効率的かつ効果的なフレームワークであるEventMambaを提案する。
  論文  参考訳（メタデータ） (2024-05-09T21:47:46Z)
• Topology-aware Embedding Memory for Continual Learning on Expanding Networks [63.35819388164267]
  本稿では,メモリリプレイ技術を用いて,メモリ爆発問題に対処する枠組みを提案する。 Topology-aware Embedding Memory (TEM) を用いたPDGNNは最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-01-24T03:03:17Z)
• PTT: Point-Trajectory Transformer for Efficient Temporal 3D Object Detection [66.94819989912823]
  時間的3次元物体検出を効率的に行うために,長期記憶が可能な点トラジェクトリ変換器を提案する。 私たちは、メモリバンクのストレージ要件を最小限に抑えるために、現在のフレームオブジェクトのポイントクラウドとその履歴トラジェクトリを入力として使用します。 大規模データセットに対する広範な実験を行い、我々のアプローチが最先端の手法に対してうまく機能することを実証した。
  論文  参考訳（メタデータ） (2023-12-13T18:59:13Z)
• TinyAD: Memory-efficient anomaly detection for time series data in Industrial IoT [43.207210990362825]
  我々は,リアルタイムな異常検出のためのCNNのオンボード推論を効率的に行うための,Tiny Anomaly Detection (TinyAD) という新しいフレームワークを提案する。 CNNのピークメモリ消費を低減するため、我々は2つの相補的戦略、 in-place と patch-by-patch のメモリ再スケジューリングについて検討する。 我々のフレームワークは、オーバーヘッドを無視してピークメモリ消費を2～5倍削減できる。
  論文  参考訳（メタデータ） (2023-03-07T02:56:15Z)
• Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution [18.309299822858243]
  DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。 DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。 我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
  論文  参考訳（メタデータ） (2021-04-30T11:25:43Z)
• Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
  1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
  論文  参考訳（メタデータ） (2020-07-21T14:59:59Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。