論文の概要: MoCo-AIS: A Contrastive Learning Framework for Similarity Computation of Vessel Trajectories
- arxiv url: http://arxiv.org/abs/2606.17978v1
- Date: Tue, 16 Jun 2026 14:30:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.480507
- Title: MoCo-AIS: A Contrastive Learning Framework for Similarity Computation of Vessel Trajectories
- Title（参考訳）: MoCo-AIS: 容器軌道の類似性計算のための比較学習フレームワーク
- Authors: Ruixin Song, Md Mahbub Alam, Zahra Sadeghi, Amilcar Soares, José F. Rodrigues-Jr, Gabriel Spadon,
- Abstract要約: 軌道類似性は移動パターンの分析における基本的な課題である。
従来の距離に基づく類似性計算のための尺度は、高い計算コストを発生させる。
本稿では,血管軌道埋め込みを学習するための統合フレームワークであるMoCo-AISを提案する。
- 参考スコア（独自算出の注目度）: 0.6150052602894222
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory similarity is a fundamental task in analyzing mobility patterns, essential for applications such as route pattern extraction, mobility prediction, and anomaly detection. Traditional distance-based measures for computing similarity incur high computational cost, driving the adoption of lightweight learning-based approaches. Supervised methods rely on extensive labels derived from traditional distance measures and often reproduce these metrics, which limits generalization. While self-supervised learning addresses this issue through contrastive learning, it lacks a unified framework, making it difficult to compare deep learning (DL) models for consistent trajectory representation. Accordingly, this paper presents MoCo-AIS, a unified framework for learning vessel trajectory embeddings based on the Momentum Contrast (MoCo) paradigm, which formulates similarity learning through positive and negative trajectory pairs. Within this framework, we evaluate a diverse set of leading DL models on large-scale, real-world vessel-tracking AIS datasets that capture diverse navigation behaviors and operating conditions. Results demonstrate that our framework significantly improves similarity learning over existing baselines, while providing a benchmarking platform for evaluating trajectory representation models.
- Abstract（参考訳）: 軌道類似性は、経路パターン抽出、移動予測、異常検出などの応用に不可欠な移動パターン解析の基本的な課題である。
従来の距離ベースで計算される類似性は計算コストが高く、軽量な学習ベースのアプローチが採用される。
監督された手法は、伝統的な距離測度から派生した広範なラベルに依存し、これらの指標をしばしば再現し、一般化を制限する。
自己教師付き学習は、対照的な学習を通じてこの問題に対処するが、統一されたフレームワークが欠如しており、一貫した軌道表現のためのディープラーニング(DL)モデルを比較するのが困難である。
そこで本論文では,モメンタム・コントラスト(MoCo)パラダイムに基づく血管軌道埋め込み学習のための統一フレームワークであるMoCo-AISについて述べる。
本フレームワークでは,大規模で実世界の船舶追跡を行うAISデータセット上で,多様なナビゲーション行動や運用条件を把握したDLモデルを多種多様に評価する。
その結果,既存のベースラインよりも類似性学習が大幅に向上し,軌道表現モデルを評価するためのベンチマークプラットフォームが提供されることがわかった。
関連論文リスト
- Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。
FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。
これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
論文 参考訳（メタデータ） (2025-10-14T20:50:30Z) - GeoMM: On Geodesic Perspective for Multi-modal Learning [55.41612200877861]
本稿では,マルチモーダル学習における測地線距離を新しい距離測定基準として導入する。
我々のアプローチは、現在のマルチモーダル学習に測地距離を適用するための包括的な戦略を取り入れている。
論文 参考訳（メタデータ） (2025-05-16T13:12:41Z) - K Nearest Neighbor-Guided Trajectory Similarity Learning [27.173636568031107]
トレイ類似性は、多くの時間的データマイニングアプリケーションの基本である。
サブビュー類似性モデリング機構を備えた高効率トラジェクトリモデルであるTSMiniを提案する。
軌道類似度を学習する場合,TSMiniは平均22%の精度で最先端モデルより優れていることを示す。
論文 参考訳（メタデータ） (2025-02-01T02:52:43Z) - T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation [6.844357745770191]
軌道類似性計算は,様々なアプリケーション間での空間データの移動パターンを解析するための重要な手法である。
本稿では,JEPA(Joint-Embedding Predictive Architecture)を用いた自己教師付き軌道類似性手法T-JEPAを提案する。
論文 参考訳（メタデータ） (2024-06-13T09:51:51Z) - OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive
Learning [67.07363529640784]
提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。
我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。
リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
論文 参考訳（メタデータ） (2023-06-20T03:02:14Z) - Contrastive Trajectory Similarity Learning with Dual-Feature Attention [24.445998309807965]
トレイ類似度尺度は、トラジェクトリデータベースにおけるクエリ述語として機能する。
そこで本研究では,TrajCLという学習に基づくトラジェクトリモデリング手法を提案する。
TrajCLは、最先端の軌跡類似度測定よりも一貫して、はるかに正確で高速である。
論文 参考訳（メタデータ） (2022-10-11T05:25:14Z) - Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
適応的階層的類似度メトリック学習法を提案する。
ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。
提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2021-10-29T02:12:18Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - An Unsupervised Learning Method with Convolutional Auto-Encoder for
Vessel Trajectory Similarity Computation [13.003061329076775]
畳み込みオートエンコーダ(CAE)を用いて低次元特徴を自動的に抽出する教師なし学習手法を提案する。
収集された大量の血管軌跡に基づいて、CAEは教師なしの方法で情報的軌跡画像の低次元表現を学習することができる。
提案手法は従来の軌道類似性手法を効率と有効性で大きく上回っている。
論文 参考訳（メタデータ） (2021-01-10T04:42:11Z)
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。