論文の概要: ZeroHAT: Behavior-Conditioned Zero-Shot Human Activity Trace Generation

• arxiv url: http://arxiv.org/abs/2609.20310v1
• Date: Fri, 31 Jul 2026 10:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.671974
• Title: ZeroHAT: Behavior-Conditioned Zero-Shot Human Activity Trace Generation
• Title（参考訳）: ZeroHAT: 行動記述型ゼロショットヒューマンアクティビティトレース生成
• Abstract要約: 人間の活動は、個人のタイムスタンプされた訪問を興味のある点に記録する。 大規模なHATへのアクセスは、高い収集コストとプライバシー上の懸念のために困難である。 我々は,ゼロショット方式でターゲット領域に対する合成HATを生成する行動条件付きフレームワークZeroHATを提案する。
• 参考スコア（独自算出の注目度）: 5.676157325165344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human activity traces record individuals' timestamped visits to points of interest and are essential for applications such as mobility prediction and urban simulation. However, accessing large-scale HATs is challenging due to high collection costs and privacy concerns. Synthetic HAT generation offers a promising way to make such data available and has attracted growing interest from both industry and academia. Although many efforts have been devoted to this topic, most of them rely on real data from a region to generate synthetic data for the same region, which is infeasible for the many regions where real HATs are unavailable. To fill this gap, we propose ZeroHAT, a behavior-conditioned framework that generates synthetic HATs for a target region in a zero-shot manner by transferring behavioral patterns learned from real HATs in source regions and adapting them with publicly available contextual information about the target region. ZeroHAT has three key novel components: (i) a multidimensional consistency-aware intent extractor; (ii) a cross-region behavioral cloning module; and (iii) a behavior-conditioned activity realization module. We evaluate ZeroHAT on a ten-city benchmark, where extensive experiments show that ZeroHAT achieves 4.5-6.4x the normalized downstream utility of the strongest baseline and improves average fidelity by 15.6%-40.8% across target regions.
• Abstract（参考訳）: 人間の活動は、個人が興味のある点にタイムスタンプで訪問したことを記録しており、移動予測や都市シミュレーションのような応用に欠かせない。 しかし、収集コストとプライバシー上の懸念から、大規模なHATへのアクセスは困難である。 合成HAT生成は、そのようなデータを利用可能にするための有望な方法を提供する。 この話題に多くの努力が注がれているが、その多くは同じ領域の合成データを生成するために、ある領域の実際のデータに依存しており、実際のHATが利用できない多くの領域では利用できない。 このギャップを埋めるために、ZeroHATを提案する。ZeroHATは、ソース領域の実際のHATから学習した行動パターンを、ターゲット領域に関する公開コンテキスト情報で適応させることにより、ターゲット領域の合成HATをゼロショットで生成する。 ZeroHATには3つの重要な新しいコンポーネントがある。 一 多次元整合性意識抽出装置 (二)地域横断的行動クローンモジュール及び (iii)行動条件付アクティビティ実現モジュール。 我々は、ZeroHATを10都市ベンチマークで評価し、ZeroHATは最強ベースラインの正規化された下流ユーティリティの4.5-6.4倍を達成し、ターゲット領域全体の平均忠実度を15.6%-40.8%向上することを示した。

関連論文リスト

• SLUM-i: Semi-supervised Learning for Urban Mapping of Informal Settlements and Data Quality Benchmarking [5.931174898048042]
  急速な都市拡大は、低所得国と中所得国の主要都市における非公式の集落の成長を加速させた。 我々は,カラチとムンバイのベンチマークデータセットとともに,スクラッチから構築したLahoreのベンチマークデータセットを紹介した。 そこで本研究では,従来の半教師付き学習パイプラインに内在するクラス不均衡と特徴劣化を軽減するための,新しい半教師付きセグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T13:16:30Z)
• SEZ-HARN: Self-Explainable Zero-shot Human Activity Recognition Network [2.236957801565796]
  HAR(Human Activity Recognition)は医療や生活支援に多くの応用がある。 現在のモデルは意思決定を説明するのに苦労し、透明性を損なう。 本稿では、SEZ-HARN(Self-Explainable Zero-shot Human Activity Recognition Network)と呼ばれる新しいIMUベースのZS-HARモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-25T02:10:34Z)
• DISCOVER: Data-driven Identification of Sub-activities via Clustering and Visualization for Enhanced Activity Recognition in Smart Homes [46.86909768552777]
  本研究では,未ラベルセンサデータから詳細な人間のサブアクティビティを検出する手法であるdiscoVERについて,事前のセグメンテーションに頼ることなく紹介する。 広範に使用されているHARデータセットに対する再注釈演習を通じて,その効果を実証する。
  論文  参考訳（メタデータ） (2025-02-11T20:02:24Z)
• Reconsidering utility: unveiling the limitations of synthetic mobility data generation algorithms in real-life scenarios [49.1574468325115]
  実世界の応用性の観点から,5つの最先端合成手法の有用性を評価した。 我々は、GPS追跡タクシーのような細粒度都市の動きを符号化するいわゆる旅行データに焦点を当てる。 あるモデルは妥当な時間内にデータを生成することができず、別のモデルはマップマッチングの要件を満たすためにあまりに多くのジャンプを生成する。
  論文  参考訳（メタデータ） (2024-07-03T16:08:05Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)
• Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning for Robust Forecasting and Security [12.8405655328298]
  既存のメソッドは、ノイズ、データ不完全性、セキュリティ脆弱性といった問題に悩まされることが多い。 本稿では,EUPAS(Adversarial Self-Supervised Learning)を用いた都市域プロファイリング手法を提案する。 EUPASは、犯罪予測、チェックイン予測、土地利用分類などの様々な予測タスクにおいて、堅牢なパフォーマンスを保証する。
  論文  参考訳（メタデータ） (2024-02-02T06:06:45Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Zero-Shot Refinement of Buildings' Segmentation Models using SAM [6.110856077714895]
  本稿では,既存モデルの一般化損失に対処するために基礎モデルを適用する新しいアプローチを提案する。 いくつかのモデルの中で、私たちはSegment Anything Model(SAM)に焦点を当てています。 SAMは認識機能を提供しないので、ローカライズされたオブジェクトの分類とタグ付けに失敗する。 この新しいアプローチはSAMを認識能力で強化する。
  論文  参考訳（メタデータ） (2023-10-03T07:19:59Z)

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。