論文の概要: UME: A Unified Meta-Generalization Framework for Cross-Domain ETA

• arxiv url: http://arxiv.org/abs/2606.00979v1
• Date: Sun, 31 May 2026 03:28:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.011273
• Title: UME: A Unified Meta-Generalization Framework for Cross-Domain ETA
• Title（参考訳）: UME: クロスドメインETAのための統一メタ汎用フレームワーク
• Authors: Duo Wang, Qiong Wu, Jianguo Wu, Ruiyu Xu, Jinhui Yi, Zhonggen Sun, Zhentao Zhang, Yu Zhang, Ke Xing, Yongjun Yin, Zishuo Li, Jianwen Huang,
• Abstract要約: 我々はtextbfETA のための textbfUnified textbfMeta 一般化フレームワーク textbfUME を提案する。 UMEは、ハイパーネットワークベースのメタ学習システムを利用する新しいメタ学習メカニズムと統合されたデュアルブランチアーキテクチャを統合している。 UMEは、オフライン実験やオンラインA/Bテストにおいて、既存のベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 16.57124392430441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Estimated Time of Arrival (ETA) prediction on checkout page is crucial in instant logistics for enhancing user satisfaction, optimizing dispatching, and controlling operational costs. In international on-demand delivery platforms, where ETA data originates from diverse countries or regions with different patterns, multi-domain modeling is of great importance and has been widely adopted. However, existing methods still face three critical challenges in real-world deployment. First, current multi-domain models struggle to generalize to completely unseen domains, failing to achieve zero-shot prediction during the initial cold-start phase. Second, cross-domain feature spaces are often assumed to be consistent, whereas new domains commonly suffer from structural missingness of offline (statistical) features due to the lack of historical data. Third, such feature missingness often compels industrial systems to model mature and cold-start domains separately, hindering knowledge transfer and increasing maintenance overhead. To address these challenges, we propose \textbf{UME}, a \textbf{U}nified \textbf{M}eta-generalization framework for \textbf{E}TA. Specifically, UME integrates a unified dual-branch architecture with a novel meta-learning mechanism that employs a hypernetwork-based meta learner. By leveraging domain-level knowledge and instance-level context, the meta learner empowers three meta modules to dynamically modulate feature gating, expert attention, and final prediction, capturing cross-domain correlations and facilitating intra-domain adaptation. A knowledge distillation strategy is further introduce to enhance performance. UME has now been deployed in Meituan-keeta delivery platform (the largest international food delivery platform in China). Extensive offline experiments and online A/B tests demonstrate that UME significantly outperforms existing baselines.
• Abstract（参考訳）: チェックアウトページの精度推定時間(ETA)予測は、ユーザの満足度を高め、ディスパッチを最適化し、運用コストを制御するための即時ロジスティクスにおいて重要である。 ETAデータが多様な国や異なるパターンの地域に由来する国際オンデマンド配信プラットフォームでは、マルチドメインモデリングが重要であり、広く採用されている。 しかし、既存の手法は現実世界の展開において3つの重要な課題に直面している。 まず、現在のマルチドメインモデルは、完全に見えないドメインに一般化するのに苦労し、最初のコールドスタートフェーズでゼロショット予測を達成できなかった。 第二に、クロスドメインの特徴空間はしばしば一貫したものであると仮定されるが、新しいドメインは歴史的データが欠如していることから、オフライン(統計)の特徴の構造的欠如に悩まされることが多い。 第三に、そのような特徴の欠如は、しばしば産業システムに、成熟したドメインとコールドスタートドメインを個別にモデル化させ、知識伝達を妨げ、メンテナンスのオーバーヘッドを増大させる。 これらの課題に対処するために、我々は \textbf{UME}, a \textbf{U}nified \textbf{M}eta- generalization framework for \textbf{E}TAを提案する。 具体的には、UMEは統合されたデュアルブランチアーキテクチャと、ハイパーネットワークベースのメタ学習システムを利用した新しいメタ学習機構を統合する。 ドメインレベルの知識とインスタンスレベルのコンテキストを活用することで、メタ学習者は3つのメタモジュールに機能ゲーティング、専門家の注意、最終的な予測を動的に調整し、ドメイン間の相関を捕捉し、ドメイン内適応を容易にする。 知識蒸留戦略がさらに導入され、性能が向上する。 UMEは現在、Meituan-keeta(中国最大の国際フードデリバリープラットフォーム)で展開されている。 大規模なオフライン実験とオンラインA/Bテストは、UMEが既存のベースラインを大幅に上回っていることを示している。

関連論文リスト

• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Efficient Large-Scale Cross-Domain Sequential Recommendation with Dynamic State Representations [36.44078481424322]
  本稿では、ドメイン間の注意を2つの革新的なメカニズムに置き換えることで、スケーラブルなマルチドメインレコメンデーションシステムのための新しいアプローチを提案する。 まず,ドメイン遷移固有情報を考慮した新しい位置埋め込みを提案する。 第二に、各ドメインの動的状態表現を導入し、その後のトークン予測中に保存およびアクセスする。
  論文  参考訳（メタデータ） (2025-08-28T16:05:42Z)
• HFedATM: Hierarchical Federated Domain Generalization via Optimal Transport and Regularized Mean Aggregation [12.655334562608314]
  Federated Learning(FL)は、複数のクライアントが生データを共有せずに、共同で共有グローバルモデルをトレーニングする分散アプローチである。 本稿では階層型フェデレーションドメイン一般化(HFedDG)を紹介する。
  論文  参考訳（メタデータ） (2025-08-07T08:14:52Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• Role Prompting Guided Domain Adaptation with General Capability Preserve for Large Language Models [55.51408151807268]
  特定のドメインに合わせると、LLM(Large Language Models)は破滅的な忘れを経験する傾向がある。 同時に複数のドメインのための汎用モデルを構築することで、全体的なパフォーマンスが低下することが多い。 RolE Prompting Guided Multi-Domain Adaptation (REGA) 戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-05T08:22:41Z)
• Hypernetwork-Driven Model Fusion for Federated Domain Generalization [26.492360039272942]
  フェデレートラーニング(FL)は、異種データのドメインシフトにおいて大きな課題に直面します。 非線形アグリゲーションにハイパーネットワークを用いた、ハイパーネットワークベースのフェデレート・フュージョン(hFedF)と呼ばれるロバストなフレームワークを提案する。 本手法では,ドメインの一般化を効果的に管理するために,クライアント固有の埋め込みと勾配アライメント手法を用いる。
  論文  参考訳（メタデータ） (2024-02-10T15:42:03Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)

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。