Fugu-MT 論文翻訳(概要): Using Lower-Bound Representations for Trajectory Similarity Learning

論文の概要: Using Lower-Bound Representations for Trajectory Similarity Learning

arxiv url: http://arxiv.org/abs/2608.01039v1
Date: Sun, 02 Aug 2026 06:53:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.069725
Title: Using Lower-Bound Representations for Trajectory Similarity Learning
Title（参考訳）: 軌道類似性学習における下界表現の利用
Abstract要約: 軌道類似性学習は、複雑な距離測定の下での効率的な軌道探索の基礎となる。深部神経埋め込みに依存しない統一下界表現フレームワークであるLB-TrajRepを提案する。
参考スコア（独自算出の注目度）: 17.84474521141356
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Trajectory similarity learning is fundamental to efficient trajectory retrieval under complex distance measures. Existing learning-based methods typically rely on embeddings trained to approximate trajectory distances or rankings, but they often lack guarantees with respect to the original distances, exhibit unstable performance across distance measures, and incur substantial training costs. We revisit trajectory similarity learning from a lower-bound representation perspective and propose LB-TrajRep, a unified lower-bound representation framework independent of deep neural embeddings. This framework constructs single-vector representations from a set of lower-bound components, enabling admissible and interpretable lower bounds for multiple classical trajectory distances, including Dynamic Time Warping (DTW), Hausdorff distance, and Discrete Fréchet Distance (DFD). Within this framework, we instantiate point-pivot components, which naturally support both metric and non-metric distances and remain compatible with standard vector-based retrieval pipelines. To improve ranking quality, we develop two data-driven pivot selection strategies that explicitly optimize lower-bound tightness and prioritize hard near-neighbor trajectory pairs, respectively. Extensive experiments on real-world trajectory datasets show that the proposed lower-bound representations are able to consistently outperform state-of-the-art neural trajectory embeddings across diverse distance measures, improving top-$k$ ranking accuracy by up to 20\%--60\% on the Hausdorff distance and DFD and by 15\%--40\% on DTW.
Abstract（参考訳）: 軌道類似性学習は、複雑な距離測定の下での効率的な軌道探索の基礎となる。既存の学習ベースの手法は通常、軌道距離やランキングを近似するために訓練された埋め込みに依存するが、元の距離に関する保証を欠くことが多く、距離測定を越えて不安定なパフォーマンスを示し、相当な訓練コストを発生させる。我々は、下界表現の観点から軌道類似性学習を再考し、深部神経埋め込みに依存しない統一下界表現フレームワークであるLB-TrajRepを提案する。このフレームワークは、一連の下界成分から単ベクトル表現を構築し、動的時間ワープ(DTW)、ハウスドルフ距離(英語版)、離散フレシェ距離(DFD)を含む、複数の古典的軌道距離に対する許容および解釈可能な下界を可能にする。このフレームワーク内では、測度と非距離の両方を自然にサポートし、標準ベクトルベースの検索パイプラインとの互換性を保つポイントピボットコンポーネントをインスタンス化する。ランク付け品質を向上させるため,2つのデータ駆動型ピボット選択手法を開発した。実世界の軌道データセットに関する大規模な実験により、提案された下界表現は、様々な距離測度で最先端の神経軌道埋め込みを一貫して上回り、ハウスドルフ距離とDFDで最高20～60倍、DTWで15～40倍の精度でランク付けできることが示された。

関連論文リスト

Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
論文参考訳（メタデータ） (2026-08-25T08:27:42Z)
FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
論文参考訳（メタデータ） (2026-07-13T14:10:01Z)
TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。 TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。 TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文参考訳（メタデータ） (2026-03-02T10:38:54Z)
Region-Point Joint Representation for Effective Trajectory Similarity Learning [25.664203648334563]
textbfRePoは、textbfRegion-wiseと textbfPoint-wiseの機能をエンコードして、空間コンテキストと微細な移動パターンの両方をキャプチャする新しい方法である。実験結果から、RePoはSOTAベースラインよりも22.2%の精度向上を実現していることがわかった。
論文参考訳（メタデータ） (2025-11-17T08:28:18Z)
DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
論文参考訳（メタデータ） (2025-08-02T03:15:47Z)
Contrast & Compress: Learning Lightweight Embeddings for Short Trajectories [11.6132604160666]
トランスフォーマーエンコーダを応用して, 短い軌道の固定次元埋め込みを学習するための新しいフレームワークを提案する。コントラスト学習パラダイムにおけるコサインとFFTに基づく類似度指標の影響を分析した。 Argoverse 2データセットに対する実験的な評価は、Cosine類似性目的によって形成された埋め込みが軌道のより優れたクラスタリングをもたらすことを示す。
論文参考訳（メタデータ） (2025-06-03T07:53:04Z)
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)
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)
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)
Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
論文参考訳（メタデータ） (2021-12-01T03:36:58Z)

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。