Fugu-MT 論文翻訳(概要): TraveL: Transformer-based Multi-view Path Distributional Representation Learning

論文の概要: TraveL: Transformer-based Multi-view Path Distributional Representation Learning

arxiv url: http://arxiv.org/abs/2609.03427v1
Date: Thu, 03 Sep 2026 06:33:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-04 18:28:38.947535
Title: TraveL: Transformer-based Multi-view Path Distributional Representation Learning
Title（参考訳）: TraveL: トランスフォーマーを用いた多視点経路分布表現学習
Authors: Fang He, Tao-yang Fu, Wang-chien Lee,
Abstract要約: 経路関連アプリケーションで有用な情報を提供する分布表現を学習することを提案する。本稿では,トランスフォーマーを用いた多視点分散表現学習(TraveL)フレームワークを提案する。実験結果から,提案したTraveLモデルは,合成データセットと実世界のデータセットの両方において,最先端の手法よりも優れていた。
参考スコア（独自算出の注目度）: 8.368478785278405
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Path representation learning (PRL) for road networks has received increasing research attention, due to various path-related applications. Existing works on PRL typically exploit the co-occurrence relationship among road segments and paths to learn a vector as the path representation, without exploring the varied traveler behaviors and the regional correlation on the path. In this work, we propose to learn distributional representations, which provide valuable information for use in path-related applications, by capturing the varied traveler behaviors as well as the various dependencies within regions of road segments. We propose a novel Transformer-based Multi-view Distributional Representation Learning (TraveL) framework to encode a path along with a travel starting time to a distributional representation, which can be used to decode possible samples of on-path traveler behavior. Moreover, by analyzing the regional correlation which reveals various road segment relationships, we propose a regional attention to encode these correlations in a path. Also, we explore the idea of Kolmogorov-Smirnov (K-S) test to compare the sampled traveler behavior against the collected ground truth to facilitate training. Experimental results show that the proposed TraveL model outperforms the state-of-the-art methods on both synthetic and real-world datasets, by 14.7% in Mean K-S distance for travel time distribution estimation, 16.7% in Mean Absolute Error (MAE) for path similarity prediction, and 3.97% in MAE for destination prediction.
Abstract（参考訳）: 道路ネットワークのための経路表現学習(PRL)は,様々な経路関連応用により研究の注目を集めている。 PRLに関する既存の研究は、経路上の様々な旅行者行動や地域的相関を探索することなく、道路セグメントと経路間の共起関係を利用して経路表現としてベクトルを学習するのが一般的である。本研究では,道路セグメントの領域内での移動行動だけでなく,経路関連アプリケーションで有用な情報を提供する分布表現の学習を提案する。本稿では,トランスフォーマーを用いた多視点分散表現学習(TraveL)フレームワークを提案する。さらに,道路セグメント間の関係を明らかにする地域間相関を解析することにより,これらの相関関係を経路内にエンコードする地域間関心度を提案する。また,K-Sテスト(K-S)のアイデアを探索し,収集した地底の真実と比較し,トレーニングを容易にする。実験結果から,提案したTraveLモデルは,平均K-S距離の14.7%,平均絶対誤差(MAE)の16.7%,目的地予測の3.97%といった,合成および実世界のデータセットにおける最先端の手法よりも優れていた。

関連論文リスト

PEARL: Path-Entity Aligned Relational Learning with Contextual Subgraphs for Inductive Knowledge Graph Completion [3.118160022536346]
本稿では,学習中に見つからないエンティティを含むリンクの欠落を予測するために,パスアラインド・アラインド・ラーニング・フレームワークを提案する。 PEARLは、クエリエンティティの近傍の結合から、クエリ固有のコンテキストサブグラフを構築する。その後、パス、コンテキストエンティティ、グローバルサブグラフ表現にバイパーティイトな相互作用グラフを構築する。
論文参考訳（メタデータ） (2026-09-02T07:29:42Z)
Effective and Low-cost Lane-based Map Localization for Vehicle-Centric Route Generation [3.302211996553059]
OLRAは低コストのマップローカライゼーションベースのフレームワークで、地図ベースのナビゲーションルートとカメラ検出レーンマーキングをマッチングすることで、ドライバービュー整列ルートを導出する。その結果,複雑な道路区間や20mを超える距離でのルート推定において,OLRAはOpenPilotより優れていた。
論文参考訳（メタデータ） (2026-06-15T01:33:48Z)
Bifrost: Steering Strategic Trajectories to Bridge Contextual Gaps for Self-Improving Agents [102.21483770287985]
本稿では,自己改善のための訓練不要な方法として,BrIdgeコンテキストギャップFoR不適応軌道ステアリング(Bifrost)を提案する。ビフロストは既存の軌道再利用と微調整による自己改善法を一貫して上回る。
論文参考訳（メタデータ） (2026-02-05T16:03:56Z)
Unifying Environment Perception and Route Choice Modeling for Trajectory Representation Learning [47.00223863430964]
Tray Learning (TRL) は、低次元ベクトルに生の軌跡をエンコードすることを目的としており、旅行時間推定、位置予測、軌道類似性解析など様々な下流タスクに活用できる。効率的なtextbfPRTrajectory表現学習のための時間的明示的textRoute選択モデルであるtextbfPRTrajを提案する。
論文参考訳（メタデータ） (2025-10-16T15:55:28Z)
Cross-domain Multi-step Thinking: Zero-shot Fine-grained Traffic Sign Recognition in the Wild [49.20086587208214]
クロスドメインマルチステップシンキング (CdMT) は、野生におけるゼロショットきめ細かなトラフィックサイン認識(TSR)の性能を改善することを提案した。 CdMTはトレーニングデータとは独立であり、単純で均一な命令のみを必要とするため、クロスカントリーのTSRを実現することができる。フレームワークは5つのデータセット上の他の最先端メソッドよりも優れたパフォーマンスを実現した。
論文参考訳（メタデータ） (2024-09-03T02:08:47Z)
Efficient Data Representation for Motion Forecasting: A Scene-Specific Trajectory Set Approach [12.335528093380631]
本研究では,異なる状況に合わせたシーン固有の軌跡セットを生成するための新しい手法を提案する。決定論的ゴールサンプリングアルゴリズムは関連する地図領域を同定する一方,再帰的分布サブサンプリング (RIDS) 法はトラジェクトリの妥当性を高める。 Argoverse 2データセットの実験では、運転エリアコンプライアンスの最大10%の改善が達成されている。
論文参考訳（メタデータ） (2024-07-30T11:06:39Z)
Link Representation Learning for Probabilistic Travel Time Estimation [21.092166159353702]
本稿では,ガウス階層モデルを用いた旅行レベルのリンク旅行時間をモデル化する。その結果、最先端の決定論的および確率論的ベースラインと比較して優れた性能を示した。学習したリンク表現はネットワークの物理幾何学とよく一致し、他のアプリケーションに対する入力として適していることがわかった。
論文参考訳（メタデータ） (2024-07-08T13:01:53Z)
Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文参考訳（メタデータ） (2023-01-04T15:33:49Z)
Jointly Contrastive Representation Learning on Road Network and Trajectory [11.613962590641002]
道路網と軌道表現学習は交通システムにとって不可欠である。既存の方法では、道路網と軌道を別々に扱うなど、同じスケールでしかコントラストがない。本稿では,道路網と軌道表現を両立させる統合フレームワークを提案する。
論文参考訳（メタデータ） (2022-09-14T03:08:20Z)
Aerial Images Meet Crowdsourced Trajectories: A New Approach to Robust Road Extraction [110.61383502442598]
我々は、Cross-Modal Message Propagation Network (CMMPNet)と呼ばれる新しいニューラルネットワークフレームワークを紹介する。 CMMPNetは、モダリティ固有の表現学習のための2つのディープオートエンコーダと、クロスモーダル表現洗練のためのテーラー設計のデュアルエンハンスメントモジュールで構成されている。実世界の3つのベンチマーク実験により, CMMPNetによる堅牢な道路抽出の有効性が示された。
論文参考訳（メタデータ） (2021-11-30T04:30:10Z)

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。