論文の概要: PhaseShift: Topology-Aware Data Harmonization and Model Consolidation Across Signalized Intersections

• arxiv url: http://arxiv.org/abs/2608.25275v1
• Date: Wed, 26 Aug 2026 01:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.509534
• Title: PhaseShift: Topology-Aware Data Harmonization and Model Consolidation Across Signalized Intersections
• Title（参考訳）: 位相シフト:位相対応データ調和と信号化区間間のモデル統合
• Abstract要約: PhaseShiftは、異種道路側軌跡を共有アクター中心の表現に調和させるトポロジ対応フレームワークである。 フロリダ州の2地域の5つの交差点を,バランスの取れたフィールドデータ,100kのトレーニングウィンドウ,同規模のテストセットを用いて評価した。
• 参考スコア（独自算出の注目度）: 7.890686084519088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned traffic-behavior models are commonly trained separately for each intersection, creating model portfolios that cannot share evidence across sites. We present PhaseShift, a topology-aware framework that harmonizes heterogeneous roadside trajectories into a shared actor-centric representation and trains one reusable backbone. Ego-relative coordinates, trajectory-induced movement paths, normalized signal context, and variable-cardinality interaction tokens remove site conventions while preserving behaviorally relevant topology. The backbone supports pooled operation, zero-shot at a held-out intersection, and low-data adaptation. We evaluate five intersections in two Florida regions on balanced field data, 100k training windows and equal-sized test sets per site under a replay-conditioned, best-of-sampled-trajectory protocol. At 10s, one pooled model lowers both minADE and minFDE relative to trained local models at all five sites, with median reductions of 36.8% and 22.0%. Leave-one-intersection-out deployment, including one cross-region fold, beats local training on both 10-s metrics at four of five sites, although short-horizon performance is less uniform. Fine-tuning with 1,000 target update windows improves on zero-shot at three sites and is the strongest regime at one. At site 7, every cross-site mixture sharply lowers long-horizon error under a fixed 100k-window budget; test-likelihood gains argue against a best-of-sample dispersion-only explanation. Local models fall behind calibrated IDM at the two highest-flow sites after long autoregressive rollouts; pretrained-backbone regimes do not. Within this five-site evaluation, PhaseShift demonstrates consolidation across heterogeneous physical control settings while identifying sites that still require adaptation. The protocol measures conditional single-vehicle generation under replayed context, not closed-loop traffic simulation.
• Abstract（参考訳）: 学習された交通行動モデルは、交差点ごとに個別に訓練され、サイト間で証拠を共有できないモデルポートフォリオを作成する。 異種道路側軌跡を共有アクター中心の表現に調和させ、再利用可能なバックボーンを1つ訓練するトポロジ対応フレームワークであるPhaseShiftを提案する。 Ego-relative coordinates, trajectory-induced movement paths, normalized signal context, and variable-cardinality interaction tokenss remove site conventions whileserving behaviorally relevant topology。 バックボーンは、プールされた操作、ホールドアウト交差点でのゼロショット、低データ適応をサポートする。 フロリダ州の2つの地域における5つの交差点を,リプレイ条件のベスト・オブ・サンプド・トラジェクトリ・プロトコルを用いて,バランスの取れたフィールドデータ,100kの訓練窓,同規模のテストセットを用いて評価した。 10sでは、1つのプールされたモデルが訓練されたローカルモデルと比較してminADEとminFDEの両方を低下させ、中央値の36.8%と22.0%が低下した。 クロスリージョンの折り畳みを含む1つのインターセクションアウトデプロイメントは、5つのサイトのうち4つのサイトにおいて、両方の10秒のメトリクスのローカルトレーニングを上回ります。 目標の更新ウィンドウが1000のファインチューニングは、3つのサイトにおいてゼロショットで改善され、1つでは最強のレギュレーションである。 サイト7では、すべてのクロスサイト混合物は、固定された100kウィンドウの予算の下で、長い水平誤差を急激に下げる。 局所モデルは、長期にわたる自己回帰的なロールアウトの後、2つの最高フロー地点で校正されたIMMに遅れるが、事前訓練されたバックボーン機構はそうではない。 この5つの評価の中で、フェーズシフトは不均一な物理制御設定をまたいだ統合を実証し、まだ適応を必要とするサイトを特定している。 このプロトコルは、クローズドループトラフィックシミュレーションではなく、リプレイされたコンテキスト下での条件付き単車生成を測定する。

関連論文リスト

• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Unextractable Protocol Models: Collaborative Training and Inference without Weight Materialization [58.14514930760722]
  参加者が協力して大規模なニューラルネットワークを訓練し、提供する分散セットアップを検討する。 このセットアップでは、フルウェイトセットがどの参加者にも利用できないような、非機械的なウェイトの可能性を探る。 我々は、シャードモデルセットアップを利用するトレーニングおよび推論フレームワーク、Unextractable Protocol Models (UPMs)を紹介する。
  論文  参考訳（メタデータ） (2026-05-22T10:24:57Z)
• UniAlign: A Model-Agnostic Framework for Robust Network Traffic Classification under Distribution Shifts [8.146941441861614]
  UniAlignは、分散シフト下でのディープラーニングベースのNTCモデルの堅牢性を改善する、モデルに依存しないフレームワークである。 特定の特徴モダリティを必要とせずに既存の教師付きNTCモデルにシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-05-17T18:02:17Z)
• Towards Real-Time Autonomous Navigation: Transformer-Based Catheter Tip Tracking in Fluoroscopy [35.565354067805835]
  本研究の目的は, 実時間カテーテル先端追跡パイプラインの開発と評価である。 U-Net、U-Net+Transformer、SegFormerなどのディープラーニングセグメンテーションモデルをトレーニングし、ベンチマークした。 2級のSegFormerは平均絶対誤差4.44mm、U-Net(4.60mm)、U-Net+Transformer(6.20mm)、および3級モデル(5.19-7.74mm)を上回った。
  論文  参考訳（メタデータ） (2026-05-14T01:42:56Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Contrastive Flow Matching [61.60002028726023]
  コントラストフローマッチング(Contrastive Flow Matching)は、全ての条件フローに対して一意性を明示するフローマッチング対象の拡張である。 提案手法は,任意のサンプル対からの予測フロー間の相違を最大化するための対照的な目的を与える。 比較フローマッチングによるトレーニングモデル(1)は最大9倍のトレーニング速度,(2)は最大5倍のノイズ除去ステップ,(3)FIDを最大8.9以下に向上させる。
  論文  参考訳（メタデータ） (2025-06-05T17:59:58Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Decentralized Deep Reinforcement Learning for Network Level Traffic Signal Control [0.8838408191955874]
  本稿では,交通信号制御における高速かつリアルタイムな性能を実現するために,完全分散型深層マルチエージェント強化学習(MARL)アルゴリズムのファミリーを提案する。 各交差点は、他の交差点ノードに対してマルコフゲームを行うエージェントとしてモデル化される。 実験結果から,S2R2Lはトレーニング過程において,IDQLやS2RLよりも高速に収束し,収束性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2020-07-02T06:58:27Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。