論文の概要: M-CTX: Exact and Scalable Spatial Context Retrieval for Trajectory Analytics

• arxiv url: http://arxiv.org/abs/2606.15244v1
• Date: Sat, 13 Jun 2026 10:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.1502
• Title: M-CTX: Exact and Scalable Spatial Context Retrieval for Trajectory Analytics
• Title（参考訳）: M-CTX:軌跡解析のための厳密でスケーラブルな空間文脈検索
• Authors: Kun Ma, Qilong Han, Chengjing Song, Jingzheng Yao, Xiao Han, Yuee Zhou, Changmao Wu,
• Abstract要約: トラジェクトリ分析のための空間空間検索フレームワークであるM-CTXを提案する。 M-CTXはコンテキスト構成をインジェストオンスでクエリの多い空間データベースのワークロードとして再キャストする。 5.48Mアンカーコーパスでは、コンテキスト構成を約17CPU日から1.8時間に短縮し、226倍のエンドツーエンドのスピードアップを計測する。
• 参考スコア（独自算出の注目度）: 11.597378543885386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern trajectory predictors increasingly condition on external spatial context, such as map geometry, signed distance fields (SDFs), and nearby moving agents. While this context improves prediction quality, constructing it for every training anchor has become a hidden systems bottleneck. In a representative maritime AIS pipeline, spatial context construction requires roughly 17 CPU-days for a 5.48M-anchor corpus, dominating the cost of the downstream predictor. We present M-CTX, an exact and scalable spatial context-retrieval framework for trajectory analytics. M-CTX recasts context construction as an ingest-once, query-many spatial database workload and replaces three brute-force stages -- OSM range retrieval, SDF computation, and moving-vessel neighbour lookup -- with composable, index-backed operators. Its learned range-index backend, BR-LZ, provides recall-complete MBR-overlap range retrieval and reduces candidate amplification by 1.1x--2.7x relative to global-expansion one-curve baselines. Across four maritime regions, eight baseline systems, synthetic workloads with up to 40M spatial features, and 10^7-record AIS streams, M-CTX reproduces the reference context exactly. On the 5.48M-anchor corpus, it reduces context construction from about 17 CPU-days to 1.8 hours, a measured 226x end-to-end speed-up. An optional storage mode further compresses SDF context by 64x with only a 0.04 m ADE change. These results establish exact spatial context retrieval as a first-class database problem in modern trajectory analytics. Code and datasets are publicly available at https://github.com/mark000071/M-CTX-Traj.
• Abstract（参考訳）: 現代の軌道予測器は、地図幾何学、符号付き距離場(SDF)、近くの移動エージェントなど、外部空間の文脈でますます条件を定めている。 このコンテキストは予測品質を改善するが、トレーニングアンカー毎に構築することは、隠れたシステムのボトルネックになっている。 典型的な海洋AISパイプラインでは、空間的コンテキスト構成は5.48Mアンカーコーパスに対して約17CPU日を必要とし、下流予測器のコストを抑える。 トラジェクトリ分析のための空間空間検索フレームワークであるM-CTXを提案する。 M-CTXはコンテキスト構築を、インジェストオンスでクエリの多い空間データベースのワークロードとして再キャストし、3つのブルートフォースステージ(OSM範囲検索、SDF計算、移動槽近傍のルックアップ)を、構成可能なインデックス付き演算子で置き換える。 学習したレンジインデックスバックエンドであるBR-LZは、リコール完全MBRオーバーラップ範囲の検索を提供し、グローバル展開のワンカーブベースラインに対して、候補増幅を1.1x-2.7x削減する。 4つの海洋地域、8つのベースラインシステム、最大40Mの空間的特徴を持つ合成ワークロード、10^7レコードAISストリームにおいて、M-CTXは参照コンテキストを正確に再現する。 5.48Mアンカーコーパスでは、コンテキスト構成を約17CPU日から1.8時間に短縮し、226倍のエンドツーエンドのスピードアップを計測した。 オプションのストレージモードでは、SDFコンテキストを0.04mのADE変更で64x圧縮する。 これらの結果は、現代の軌跡解析における第一級データベース問題として、正確な空間文脈検索を確立している。 コードとデータセットはhttps://github.com/mark000071/M-CTX-Trajで公開されている。

関連論文リスト

• OVO-S-Bench: A Hierarchical Benchmark for Streaming Spatial Intelligence in Multimodal LLMs [49.82435858489898]
  OVOS-Benchは、人間中心の空間知能をストリーミングするための完全な注釈付きベンチマークである。 348のソースビデオに関する1,680の質問で構成されている。 それぞれの質問はクエリとエビデンスインターバルを持ち、評価において、モデルはクエリの前のプレフィックスのみを表示する。
  論文  参考訳（メタデータ） (2026-06-02T16:51:32Z)
• TransResAI: A Compound AI System for Coastal Transportation Resilience [1.929646837759767]
  本研究では,自然対話による洪水対応輸送のレジリエンスの分析を支援する複合AIシステムTransResAIを提案する。 このシステムは、ローカルにデプロイ可能なLarge Language Model(LLM)と、タスクの分解、セキュアなコード生成、地理空間解析、検索拡張生成、インタラクティブマップレンダリングのためのモジュールを統合する。
  論文  参考訳（メタデータ） (2026-04-28T15:39:53Z)
• Self-Describing Structured Data with Dual-Layer Guidance: A Lightweight Alternative to RAG for Precision Retrieval in Large-Scale LLM Knowledge Navigation [0.0]
  大きな言語モデル(LLM)は、長い入力コンテキストを処理する際に、よく文書化された位置バイアスを示す。 これにより、コンテキストに直接大きな構造化知識ベースを組み込む知識検索アプリケーションが制限される。 本稿では,構造化されたデータファイルがファイルのプライマリ位置にある人為的なナビゲーションメタデータを埋め込む軽量なフレームワークである自己記述型構造化検索(SDSR)を提案する。
  論文  参考訳（メタデータ） (2026-03-28T14:12:43Z)
• OpenEarthAgent: A Unified Framework for Tool-Augmented Geospatial Agents [68.85365034738534]
  本稿では,衛星画像,自然言語クエリ,詳細な推論トレースに基づいて学習したツール拡張された地理空間エージェントを開発するための統一的なフレームワークを提案する。 トレーニングパイプラインは、構造化推論軌道上の教師付き微調整に依存し、モデルを検証された多段階ツールの相互作用と整合させる。 付随コーパスは、14,538のトレーニングと1,169の評価インスタンスから構成され、トレーニングスプリットでは100K以上の推論ステップ、評価スプリットでは7K以上の推論ステップがある。
  論文  参考訳（メタデータ） (2026-02-19T18:59:54Z)
• VLM2GeoVec: Toward Universal Multimodal Embeddings for Remote Sensing [59.73939718087177]
  シングルエンコーダの視覚言語モデルは、統合ベクトル空間にインターリーブされた入力を埋め込むために対照的に訓練された。 VLM2GeoVecは、領域レベルの空間推論とスケーラブルな検索を統合し、リモートセンシングにおける凝集性多モード解析を可能にする。
  論文  参考訳（メタデータ） (2025-12-12T11:39:35Z)
• ARIAL: An Agentic Framework for Document VQA with Precise Answer Localization [1.580774794371876]
  本稿では,高精度な回答抽出と信頼性のある空間的接地を実現するために,専門的なツールを編成するフレームワークであるARIALを提案する。 テキスト精度 (ANLS) と空間精度 (空間精度) を用いて, ARIAL を 4 つのベンチマーク (DocVQA, FUNSD, CORD, SROIE) で評価した。 我々の研究は、特殊ツールのエージェント的オーケストレーションが、パフォーマンスと解釈可能性を同時に改善できることを示す。
  論文  参考訳（メタデータ） (2025-11-22T21:09:28Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Retrieval and Localization with Observation Constraints [12.010135672015704]
  RLOCSと呼ばれる視覚的再局在化手法を提案する。 画像検索、意味整合性、幾何学的検証を組み合わせて正確な推定を行う。 本手法は, ローカライゼーションベンチマークにおいて多くの性能向上を実現している。
  論文  参考訳（メタデータ） (2021-08-19T06:14:33Z)

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。