論文の概要: Multi-Relational Knowledge Graph Enhanced Embedding for Trajectory-User Linking

• arxiv url: http://arxiv.org/abs/2608.08646v1
• Date: Sun, 09 Aug 2026 11:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.906874
• Title: Multi-Relational Knowledge Graph Enhanced Embedding for Trajectory-User Linking
• Title（参考訳）: トラジェクトリユーザリンクのためのマルチリレーショナル知識グラフ強化埋め込み
• Abstract要約: Trajectory-User Linking (TUL) は、匿名のトラジェクトリの所有者を候補ユーザの集合から識別することを目的としている。 トラジェクティブ・ユーザ・リンク(MakeTUL)のためのマルチリレーショナル知識グラフ強化埋め込みを提案する。 MakeTULは、マルチリレーショナルモビリティ知識グラフにおいて、訪問時間、POIカテゴリ、転送速度情報を型付き関係として整理する。
• 参考スコア（独自算出の注目度）: 3.5302633596286035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory-User Linking (TUL) aims to identify the owner of an anonymous trajectory from a set of candidate users, providing a basis for user mobility analysis and personalized location-aware services. Existing methods often learn Point of Interest (POI), temporal, and semantic features independently, make limited use of structural knowledge shared across trajectories, and compress structural and sequential information before classification. To address these issues, we propose Multi-Relational Knowledge Graph Enhanced Embedding for Trajectory-User Linking (MakeTUL), which, to the best of our knowledge, is the first attempt to introduce knowledge graph representation learning into TUL. MakeTUL organizes visit-time, POI-category, and transfer-speed information as typed relations in a multi-relational mobility knowledge graph, allowing heterogeneous mobility semantics to jointly constrain the learned embeddings. The resulting POI representations are further enriched with high-order co-occurrence patterns extracted from the trajectory collection, providing structural prior knowledge for sparse and overlapping trajectories. By integrating these prior-enhanced representations with temporal, category, and transfer information, the trajectory sequence learning module captures ordered mobility patterns, while a dual-branch classification layer preserves and combines global structural evidence and sequential evidence at the decision level.
• Abstract（参考訳）: Trajectory-User Linking (TUL)は、匿名のトラジェクトリの所有者を候補ユーザの集合から特定することを目的としており、ユーザモビリティ分析とパーソナライズされた位置情報サービスの基礎を提供する。 既存の方法は、しばしばPOI(Point of Interest)、時間的、意味的な特徴を独立に学習し、軌跡間で共有される構造的知識を限定的に利用し、分類の前に構造的およびシーケンシャルな情報を圧縮する。 これらの課題に対処するため,TULに知識グラフ表現学習を導入する最初の試みとして,トラジェクティブ・ユーザリンクのためのマルチリレーショナル知識グラフ拡張埋め込み(MakeTUL)を提案する。 MakeTULは、マルチリレーショナルモビリティ知識グラフにおいて、訪問時間、POIカテゴリ、転送速度情報を型付き関係として整理し、不均一なモビリティセマンティクスが学習した埋め込みを協調的に制約することを可能にする。 結果として得られるPOI表現は、トラジェクトリコレクションから抽出された高次共起パターンにさらに富み、スパースと重なり合うトラジェクトリの構造的事前知識を提供する。 これらの事前強化された表現を時間、カテゴリ、転送情報と統合することにより、トラジェクトリシーケンス学習モジュールは順序付けられたモビリティパターンをキャプチャし、デュアルブランチ分類層はグローバルな構造的エビデンスとシーケンシャルなエビデンスを決定レベルで保持、結合する。

関連論文リスト

• FedLAB: Traceable Semantic Codebooks for Federated Multimodal Graph Foundation Learning [47.940785803361415]
  FedLABはトレース可能なセマンティックコードブックフレームワークで、マルチモーダルグラフの知識をモダリティエビデンス、ノードセマンティクス、トポロジーコンテキストのための型付きコードブックに整理する。 実験によると、FedLABは、ネイティブなセマンティックトレースインターフェースを保持しながら、最先端のベースラインを7.53%改善している。
  論文  参考訳（メタデータ） (2026-06-30T17:47:39Z)
• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• Contrastive Cross-Course Knowledge Tracing via Concept Graph Guided Knowledge Transfer [12.34590941832835]
  コントラストのあるクロスコース知識追跡手法であるTransKTを提案する。 それは、異なるコースにわたる学習行動間の関係をモデル化するために、知識伝達をガイドする概念グラフの上に構築される。 TransKTは、シングルコースとクロスコースの知識状態とを整合させる、対照的な目的を採用している。
  論文  参考訳（メタデータ） (2025-05-14T10:38:30Z)
• Attention to Trajectory: Trajectory-Aware Open-Vocabulary Tracking [23.65057966356924]
  OV-MOTは、事前定義されたカテゴリのセットに制限されることなく、オブジェクトを追跡するアプローチを可能にすることを目的としている。 我々は,OV-MOTにおけるオブジェクトの関連性や分類を改善するために,トラジェクトリ情報を活用するオープン語彙トラッカーであるtextbfTRACT を提案する。
  論文  参考訳（メタデータ） (2025-03-11T08:03:47Z)
• HPT++: Hierarchically Prompting Vision-Language Models with Multi-Granularity Knowledge Generation and Improved Structure Modeling [39.14392943549792]
  本稿では,階層型プロンプトチューニング(HPT)と呼ばれる新しい手法を提案し,構造化知識と従来の言語知識の同時モデリングを可能にする。 低レベルの即時学習のためのエンティティと属性間のペアワイズ関連をキャプチャする、関係誘導型アテンションモジュールを導入する。 全体意味論をモデル化する高レベルかつグローバルレベルのプロンプトを取り入れることで、提案された階層構造は、クロスレベルな相互リンクを偽造し、より複雑で長期的な関係を扱うようにモデルに権限を与える。
  論文  参考訳（メタデータ） (2024-08-27T06:50:28Z)
• Learning Hierarchical Prompt with Structured Linguistic Knowledge for Vision-Language Models [43.56153167864033]
  大規模言語モデル(LLM)における構造化知識を活用する新しい手法を提案する。 低レベルの即時学習のためのエンティティと属性間のペアワイズ関連をキャプチャする、関係誘導型アテンションモジュールを導入する。 さらに、高レベルのプロンプトとグローバルレベルのプロンプトを組み込むことで、提案された階層構造は、クロスレベルのインターリンクを偽造し、より複雑で長期的な関係を扱うようにモデルに権限を与える。
  論文  参考訳（メタデータ） (2023-12-11T12:14:06Z)
• Knowledge-Enhanced Hierarchical Information Correlation Learning for Multi-Modal Rumor Detection [82.94413676131545]
  マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。 KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。 画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
  論文  参考訳（メタデータ） (2023-06-28T06:08:20Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• ConstGCN: Constrained Transmission-based Graph Convolutional Networks for Document-level Relation Extraction [24.970508961370548]
  グラフニューラルネットワークによる文書レベルの関係抽出は、トレーニングと推論の基本的なグラフ構築ギャップに直面している。 本稿では,知識に基づく情報伝達を行う新しいグラフ畳み込みネットワークである$textbfConstGCN$を提案する。 実験の結果,本手法はDocREデータセットに対する従来のSOTA(State-of-the-art)アプローチよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-10-08T07:36:04Z)
• TCGL: Temporal Contrastive Graph for Self-supervised Video Representation Learning [79.77010271213695]
  本稿では,TCGL(Temporal Contrastive Graph Learning)という,ビデオの自己教師型学習フレームワークを提案する。 TCGLは、フレームとスニペットの順序に関する以前の知識をグラフ構造、すなわち、インター/インタースニペットの時間トラストグラフ(TCG)に統合します。 ラベルなしビデオの監視信号を生成するために,適応スニペット順序予測(ASOP)モジュールを導入する。
  論文  参考訳（メタデータ） (2021-12-07T09:27:56Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。