論文の概要: TraXion: Rethinking Pre-training Frameworks for Mobility and Beyond
- arxiv url: http://arxiv.org/abs/2605.06906v1
- Date: Thu, 07 May 2026 20:10:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.597034
- Title: TraXion: Rethinking Pre-training Frameworks for Mobility and Beyond
- Title（参考訳）: TraXion: モビリティとそれ以上のトレーニングフレームワークを再考する
- Authors: Shang-Ling Hsu, Mark Tenzer, Cyrus Shahabi, Khurram Shafique,
- Abstract要約: TraXionを紹介します。その目的とアーキテクチャは、それらを満たすために共同で設計されています。
データセット毎に1つのTraXionチェックポイントが、異常検出、次のPOI、次のビジット予測、ソーシャルリンク予測を含む6つのパブリックモビリティデータセット上のタスク毎のタスク固有のレコメンデーションを破る。
企業認証ログやICU予測に適用されるのと同じレシピで、死亡率は両方の前の作業と一致しているか、あるいは超えているため、ドメインからのイベントストリームは単一のフレームワークでモデル化可能である。
- 参考スコア（独自算出の注目度）: 8.523184371003913
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Human mobility differs from text and from generic time series in three structural ways: visits are tuple-valued events whose meaning depends on the joint distribution over location, time, and activity; users carry persistent signatures across trajectories; and visits are not independent across users, since co-location at shared places is a primary signal. Existing pre-training recipes for mobility import objectives from language modeling, treating trajectories as sentences and visits as tokens, an analogy that fails against each of the three properties above. These properties define a broader class, multi-entity spatiotemporal event streams (MESES), spanning enterprise authentication logs, electronic health records, and other event-stream domains where entities share infrastructure, schedules, or contexts. We make the properties precise as three axioms that any pre-training framework for MESES should satisfy, and introduce TraXion, whose objectives and architecture are jointly designed to meet them. A single TraXion checkpoint per dataset beats task-specific baselines on every task across six public mobility datasets covering anomaly detection, next-POI recommendation, next-visit prediction, and social-link prediction. The same recipe, applied unchanged to enterprise authentication logs and ICU mortality prediction, matches or exceeds prior work on both, showing that event streams from domains as different as mobility, security, and healthcare can be modeled under a single framework.
- Abstract（参考訳）: 訪問は、場所、時間、活動に関する共同分布に依存するタプル値のイベントであり、ユーザーは軌跡を越えて永続的なシグネチャを運ぶ。
既存のトレーニング済みのモビリティインポートのレシピは、言語モデリングから、軌跡を文として扱い、訪問をトークンとして扱う。
これらのプロパティは、エンタープライズ認証ログ、電子健康記録、およびエンティティがインフラストラクチャ、スケジュール、コンテキストを共有する他のイベントストリームドメインにまたがる、より広範なクラス、マルチエンタテインス時イベントストリーム(MESES)を定義する。
我々は、MESESの事前学習フレームワークが満たすべき3つの公理として、その特性を正確にし、それらを満たすために、目標とアーキテクチャを共同で設計したTraXionを紹介します。
データセット毎の1つのTraXionチェックポイントは、異常検出、次のPOIレコメンデーション、次のビジット予測、ソーシャルリンク予測を含む6つのパブリックモビリティデータセットを含む、タスク毎のタスク固有のベースラインを突破する。
企業認証ログやICU死亡率予測にまったく適用されない同じレシピは、両方の以前の作業にマッチするか、あるいは超えているため、モビリティ、セキュリティ、ヘルスケアといったドメインからのイベントストリームは、単一のフレームワークでモデル化可能である。
関連論文リスト
- Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring [6.125909573003906]
本稿では,3つのキー軸に沿って芸術の状態を前進させる統一的,解釈可能なGNNフレームワークを提案する。
まず,プレフィックスベースグラフ畳み込みネットワーク(GCNs)とフルトレースグラフ注意ネットワーク(GATs)を比較し,局所モデリングとグローバルモデリングのパフォーマンスギャップを定量化する。
第2に,動的で予測中心の窓を構成する新しい時間減衰注意機構を導入する。
第三に、遷移型セマンティクスをエッジ特徴に組み込んで、構造的不明瞭なトレースに対してきめ細かい推論を可能にする。
論文 参考訳（メタデータ） (2025-08-13T06:21:42Z) - A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。
TVEは従来のトレーニング前のベースラインを一貫して上回っている。
本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
論文 参考訳（メタデータ） (2025-07-14T00:17:21Z) - LMPOcc: 3D Semantic Occupancy Prediction Utilizing Long-Term Memory Prior from Historical Traversals [4.970345700893879]
LMPOcc(Longal Memory Prior Occupancy)は、歴史的知覚出力から派生した長期記憶の優先順位を利用する最初の3次元占有予測手法である。
本研究では,長期記憶を組み込んだプラグイン・アンド・プレイアーキテクチャを導入し,グローバルな占有表現を同時に構築しながら,局所的な知覚を高める。
論文 参考訳（メタデータ） (2025-04-18T09:58:48Z) - Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。
時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。
本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-29T17:59:45Z) - Unifying Lane-Level Traffic Prediction from a Graph Structural Perspective: Benchmark and Baseline [21.37853568400125]
本稿では,レーンレベルの交通予測のための最初の体系的分類フレームワークについて述べる。
我々は,2つの実世界の道路網から3つの代表的データセットを構築し,レギュラーレーン構成と不規則レーン構成の両方を網羅した。
この統合されたフレームワークは、データセットとモデリングパラダイムをまたいだ一貫した評価を可能にする。
論文 参考訳（メタデータ） (2024-03-22T04:21:40Z) - Revisiting Link Prediction: A Data Perspective [59.296773787387224]
グラフの基本的なタスクであるリンク予測は、友人の推薦、タンパク質分析、薬物相互作用予測など、様々な応用において不可欠であることが証明されている。
既存の文献の証拠は、すべてのデータセットに適した普遍的に最良のアルゴリズムが存在しないことを裏付けている。
我々は,局所的な構造的近接,大域的な構造的近接,特徴的近接という,リンク予測に不可欠な3つの基本的要因を認識する。
論文 参考訳（メタデータ） (2023-10-01T21:09:59Z) - Continuous-Time and Multi-Level Graph Representation Learning for
Origin-Destination Demand Prediction [52.0977259978343]
本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。
状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。
北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
論文 参考訳（メタデータ） (2022-06-30T03:37:50Z) - X2Parser: Cross-Lingual and Cross-Domain Framework for Task-Oriented
Compositional Semantic Parsing [51.81533991497547]
タスク指向コンポジションセマンティックパーシング(TCSP)は複雑なネストされたユーザクエリを処理する。
本報告では,TCSPの変換可能なクロスランガルとクロスドメインを比較した。
本稿では,フラット化意図とスロット表現を別々に予測し,両方の予測タスクをシーケンスラベリング問題にキャストすることを提案する。
論文 参考訳（メタデータ） (2021-06-07T16:40:05Z) - Exploring Dynamic Context for Multi-path Trajectory Prediction [33.66335553588001]
動的コンテキストネットワーク(DCENet)という新しいフレームワークを提案する。
本フレームワークでは,エージェント間の空間的コンテキストを自己注意型アーキテクチャを用いて探索する。
学習した空間的時間的文脈に基づいて、各エージェントに対する将来の軌跡のセットを条件付きで予測する。
論文 参考訳（メタデータ） (2020-10-30T13:39:20Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z)
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。