論文の概要: REFINE: Trajectory Representation Learning via Closed-Loop Transcription -- Extended Version
- arxiv url: http://arxiv.org/abs/2609.07206v1
- Date: Mon, 07 Sep 2026 08:26:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.388842
- Title: REFINE: Trajectory Representation Learning via Closed-Loop Transcription -- Extended Version
- Title（参考訳）: REFINE: クローズドループ転写による軌道表現学習 - 拡張版
- Abstract要約: REFINE は単純な lEarning Framework vIa の閉ループトラジェクタ rEfinement である。
提案した閉ループ最適化の保証を確立する制御理論解析を行う。
実世界の4つのデータセットの実験では、REFINEは最先端の手法を一貫して上回っている。
- 参考スコア（独自算出の注目度）: 22.872723951282282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory representation learning underpins a wide range of trajectory analytics tasks; however, most existing self-supervised approaches, whether discriminative or generative, adopt an open-loop paradigm, relying on fixed data augmentations or random masking without feedback, which limits their ability to generalize and scale. We propose REFINE, a simple yet effective Representation lEarning Framework vIa closed-loop traNscription rEfinement for trajectory data. Drawing upon feedback control theory, REFINE tightly couples road-network-aware generative reconstruction with feedback-driven contrastive learning, enabling the model to capture fine-grained local movement semantics and global spatio-temporal dependencies without manually designed augmentation views. We further provide a control-theoretic analysis that establishes convergence guarantees for the proposed closed-loop optimization. Extensive experiments on four real-world datasets demonstrate that REFINE consistently outperforms state-of-the-art methods across multiple downstream tasks while remaining computationally efficient and scalable. This paper is an extended version of REFINE: Trajectory Representation Learning via Closed-Loop Transcription, to appear in KDD 2026.
- Abstract（参考訳）: 軌道表現学習は、幅広い軌道分析タスクの基盤となっているが、差別的あるいは生成的であっても、ほとんどの既存の自己教師型アプローチは、オープンループパラダイムを採用し、フィードバックなしでデータ拡張やランダムマスキングに依存し、一般化とスケールの能力を制限する。
本稿では, トラジェクトリデータに対して, 簡易かつ効果的に表現できるREFINE と閉ループトラネクチャ rEfinement を提案する。
フィードバック制御理論に基づいて、REFINEは、フィードバック駆動のコントラスト学習と道路ネットワークを意識した生成的再構築を密に結合し、手動で設計した拡張ビューを使わずに、きめ細かな局所的な運動意味論とグローバルな時空間的依存関係を捉えることができる。
さらに,提案した閉ループ最適化の収束保証を確立する制御理論解析を行う。
4つの実世界のデータセットに対する大規模な実験は、REFINEが計算効率とスケーラビリティを維持しながら、複数の下流タスクにわたる最先端のメソッドを一貫して上回っていることを示している。
本論文は、KDD 2026に現れるREFINE: Trajectory Representation Learningの延長版である。
関連論文リスト
- Adaptive Latent Trajectory Anchoring for Action Segmentation Dataset Condensation [53.60856261088647]
本稿では,凝縮パラダイムを最適化に基づく逆転から決定論的潜在写像へシフトすることを提案する。
動作セグメントをノイズ多様体のスパース潜在点に固定された連続軌跡として表現する。
我々のフレームワークは,共通データセット間でのセグメンテーション性能において,最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-07-10T04:00:26Z) - From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation [108.02425846269234]
制御可能な画像生成は、視覚的参照条件を組み込むことで、大きな進歩を遂げた。
既存の方法は、主にオープンループシステムとして動作する。
本稿では,閉ループ動的トラッキング問題として参照一貫性生成を再構成する新しいテスト時間反復最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-06T05:36:30Z) - Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。
本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文 参考訳（メタデータ） (2026-06-21T12:14:11Z) - Warm-Started Reinforcement Learning for Iterative 3D/2D Liver Registration [13.711805805211247]
学習ベースの手法は、最近、最適化ベースのアプローチに匹敵する登録誤差を達成している。
逐次的意思決定プロセスとしてCT-to-video登録を定式化する離散アクション強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-11T14:58:45Z) - Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。
現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する
Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
論文 参考訳（メタデータ） (2026-03-05T23:44:45Z) - 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) - Contextual Rollout Bandits for Reinforcement Learning with Verifiable Rewards [69.74686029941881]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論能力を改善するための効果的なパラダイムである。
トレーニングを通して高価値ロールアウトを適応的に選択する統合型ニューラルネットワークスケジューリングフレームワークを提案する。
6つの数学的推論ベンチマークの実験では、複数のRLVR最適化手法で性能と訓練効率が一貫した向上を示した。
論文 参考訳（メタデータ） (2026-02-09T10:51:58Z) - Align & Invert: Solving Inverse Problems with Diffusion and Flow-based Models via Representational Alignment [13.028121107802127]
逆問題では、事前訓練された生成モデルが先行として使用される。
本稿では,拡散モデルとフローベースモデル間の表現アライメント(REPA)を適用することを提案する。
モデル表現と近似的対象特徴との整合性は、再構成の忠実度と知覚的リアリズムを大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2025-11-21T00:37:04Z) - In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。
これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。
本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-04T03:39:28Z) - Rank-N-Contrast: Learning Continuous Representations for Regression [28.926518084216607]
Rank-N-Contrast(RNC)は、ターゲット空間のランクに基づいて、サンプルを互いに対比することで、回帰の連続的な表現を学習するフレームワークである。
RNCは、学習された表現の望ましい順序を目標命令に従って保証する。
RNCは最先端のパフォーマンスを達成し、データ効率の向上、ターゲットの刺激に対する堅牢性、データの破損など、興味深い特性を強調している。
論文 参考訳（メタデータ） (2022-10-03T19:00:38Z)
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。