論文の概要: MIDiff: Tackling Sparsity and Imbalance in Mobile Usage Generation via Multivariate-Imaging Diffusion

• arxiv url: http://arxiv.org/abs/2607.14249v1
• Date: Wed, 15 Jul 2026 18:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.882003
• Title: MIDiff: Tackling Sparsity and Imbalance in Mobile Usage Generation via Multivariate-Imaging Diffusion
• Title（参考訳）: MIDiff:多変量イメージング拡散による移動体使用量の分散と不均衡に対処する
• Abstract要約: モバイル利用トレースは、ユーザの行動予測やアプリの推奨といったタスクには不可欠だが、プライバシの制限や大規模データ収集によって制限されている。 We propose Multi-Imaging Diffusion (MIDiff), a diffusion-based framework operating in a imaging space defined by Cross-Gramian Angular Sum Field (C-GASF)。 実験により、MIDiffは忠実度メトリクスの最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 16.155572508530508
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile usage traces are critical for tasks such as user behavior prediction and app recommendation, yet their use is constrained by privacy restrictions and costly large-scale data collection. Although generative models perform well on general time series, their application to mobile usage data remains challenging because (i) limited user activity causes severe sparsity, (ii) heterogeneous variable types complicate joint modeling, and (iii) functional differences across apps create pronounced usage imbalance. To address these challenges, we propose Multivariate-Imaging Diffusion (MIDiff), a diffusion-based framework operating in an imaging space defined by Cross-Gramian Angular Sum Field (C-GASF). C-GASF transforms sparse multivariate sequences into correlation images, while MIDiff employs Triple Attention in a U-Net to preserve temporal consistency and variable dependencies. Experiments show that MIDiff achieves state-of-the-art performance across fidelity metrics. In particular, it obtains a Discriminative Accuracy (DA) of 0.1526, compared with 0.3476 for the strongest baseline, ZITS-VAE, demonstrating its effectiveness in generating realistic and diverse mobile usage traces. Our code is available at https://github.com/YilaiLiu-HKU/MIDiff.
• Abstract（参考訳）: モバイル利用トレースは、ユーザの行動予測やアプリの推奨といったタスクには不可欠だが、プライバシの制限や大規模データ収集によって制限されている。 生成モデルは一般的な時系列でよく機能するが、モバイル利用データへの応用は依然として困難である。 (i)ユーザー活動の制限は、重度のスパーシリティを引き起こす。 二 不均一変数型が共同モデリングを複雑にし、 (iii)アプリ間で機能的な違いが顕著な利用不均衡を生じさせる。 これらの課題に対処するために,C-Gramian Angular Sum Field (C-GASF) で定義された画像空間で動作する拡散ベースのフレームワークであるMultivariate-Imaging Diffusion (MIDiff)を提案する。 C-GASFはスパース多変量列を相関画像に変換する一方、MIDiffは時間的一貫性と変数依存性を維持するためにU-Netにトリプルアテンションを用いる。 実験により、MIDiffは忠実度メトリクスの最先端のパフォーマンスを達成することが示された。 特に、最強のベースラインであるZITS-VAEでは0.3476に対して0.1526の差別的精度(DA)を取得し、現実的で多様なモバイル利用トレースを生成する効果を示す。 私たちのコードはhttps://github.com/YilaiLiu-HKU/MIDiff.comで公開されています。

関連論文リスト

• TaskFusion: Continual Anomaly Detection for Heterogeneous Tabular Data [11.770179526235511]
  本研究では,異なるタスクから連続的に学習するための連続学習法を提案する。 提案手法は, AGFモデル, Taskfusion Augmentation およびoutlier exposure の3つの主要部分から構成される。 複数の領域にまたがる21の異種データセットに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-06-10T09:21:28Z)
• UniDiff: Parameter-Efficient Adaptation of Diffusion Models for Land Cover Classification with Multi-Modal Remotely Sensed Imagery and Sparse Annotations [3.588053519843616]
  本稿では,1つのイメージネット予測拡散モデルを用いて,対象領域データのみを用いて複数の知覚モダリティに適応するパラメータ効率のフレームワークを提案する。 UniDiffは、FiLMベースのタイムステップ・モダリティ条件付け、パラメータの約5%のパラメータ効率適応、および擬似RGBアンカーを組み合わせることで、事前訓練された表現を保存し、破滅的な忘れを防止する。
  論文  参考訳（メタデータ） (2025-11-29T00:57:53Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• GraMFedDHAR: Graph Based Multimodal Differentially Private Federated HAR [0.5008597638379227]
  マルチモーダルセンサデータを用いたヒューマンアクティビティ認識(HAR)は、ノイズや不完全な測定、ラベル付きサンプルの不足、プライバシー上の懸念などにより、依然として困難である。 本稿では、HARタスクに対してグラフベースのマルチモーダルフェデレートラーニングフレームワークGraMFedDHARを提案する。 提案したMultiModalGCNモデルは,DP以外の設定で最大2%高い精度で,ベースラインのMultiModalFFNより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-06T10:23:17Z)
• VaCDA: Variational Contrastive Alignment-based Scalable Human Activity Recognition [0.0]
  センサーを備えたウェアラブルデバイスは、ユーザの活動を継続的に監視し、大量のラベルのないデータを生成する。 従来の転帰学習手法は,日常的な活動を認識するのが困難である。 センサデータから低次元の共有空間を学習するための可変オートエンコーダ(VAE)を提案する。
  論文  参考訳（メタデータ） (2025-05-08T02:50:43Z)
• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 我々のRMLは自己教師型であり、正規化として下流のタスクにも適用できます。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• MixRec: Heterogeneous Graph Collaborative Filtering [21.96510707666373]
  そこで本稿では,MixRecを用いたグラフ協調フィルタリングモデルを提案する。 本モデルでは,意図的不整合とマルチビヘイビア・モデリングを取り入れてこれを実現している。 また、自己教師付きデータ拡張の利点を適応的に探求する、新しいコントラスト学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-18T13:12:36Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Privacy-preserving datasets by capturing feature distributions with Conditional VAEs [0.11999555634662634]
  条件付き変分オートエンコーダ(CVAE)は、大きな事前学習された視覚基盤モデルから抽出された特徴ベクトルに基づいて訓練される。 本手法は, 医用領域と自然画像領域の両方において, 従来のアプローチよりも優れている。 結果は、データスカースおよびプライバシに敏感な環境におけるディープラーニングアプリケーションに大きな影響を与える生成モデルの可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-01T15:26:24Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Log-Likelihood Score Level Fusion for Improved Cross-Sensor Smartphone Periocular Recognition [52.15994166413364]
  我々は、複数のコンパレータを融合させて、異なるスマートフォンの画像を比較する際に、眼周囲の性能を改善する。 我々は線形ロジスティック回帰に基づく確率的融合フレームワークを使用し、融合したスコアはログライクな比率になる傾向にある。 我々のフレームワークは、同じセンサとクロスセンサーのスコア分布が整列され、共通の確率領域にマッピングされるため、異なるデバイスからの信号を処理するためのエレガントでシンプルなソリューションも提供します。
  論文  参考訳（メタデータ） (2023-11-02T13:43:44Z)
• Exploring Data Augmentation for Multi-Modality 3D Object Detection [82.9988604088494]
  ポイントクラウドとイメージに基づくマルチモダリティメソッドは、ポイントクラウドのみを使用するアプローチよりも、わずかに良いか、時には悪いだけである。 トランスフォーメーションフローと呼ばれるパイプラインを提案し、トランスフォーメーションのリバースとリプレイによってシングルモードとマルチモードのデータ拡張のギャップを埋める。 また,本手法は第3回nuScenes検出チャレンジでPKL賞を受賞した。
  論文  参考訳（メタデータ） (2020-12-23T15:23:16Z)

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。