論文の概要: LE4Mob: Towards Inductive, Distance-Aware and General-Purpose Location Embedding for Human Mobility Modelling

• arxiv url: http://arxiv.org/abs/2609.22117v1
• Date: Wed, 19 Aug 2026 21:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.718008
• Title: LE4Mob: Towards Inductive, Distance-Aware and General-Purpose Location Embedding for Human Mobility Modelling
• Title（参考訳）: LE4Mob:人間モビリティモデリングのための誘導型、距離対応型、汎用的な位置埋め込みを目指して
• Abstract要約: 移動体モデリングのための誘導型,距離認識型,地理に基づく位置埋め込みフレームワークLE4Mobを提案する。 Le4Mobは、距離対応の正規化目標を導入しながら、コントラスト言語ロケーション事前学習を拡張している。 豊かな空間意味情報をエンコードし、目に見えない場所への埋め込みを誘導的に生成することができる。
• 参考スコア（独自算出の注目度）: 2.3480153155650503
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Location representations provide mobility models with fundamental information about the spatial position, functional characteristics, and relationships of places. However, existing embeddings are often dependent on mobility observations, unable to represent unseen locations, and weakly constrained to retain geographic distance. This limits their reuse across datasets and mobility tasks. To address these limitations, we propose LE4Mob, an inductive, distance-aware, and geography-derived location embedding framework for mobility modelling. LE4Mob extends contrastive language-location pre-training while introducing a distance-aware regularisation objective that encourages the embedding space to preserve spatial relationships. Pre-trained from geographic context, LE4Mob can encode rich spatial-semantic information and generate embeddings for unseen locations inductively. Its independence from downstream mobility task supervision also makes it transferable across different mobility tasks. We evaluate LE4Mob on individual-level next location prediction and population-level commuter flow generation. Experiments across multiple datasets and study areas show that LE4Mob outperforms strong baselines, with particular advantages in inductive settings and when downstream models rely directly on interactions between location embeddings. These findings demonstrate the potential of distance-aware, geography-derived location representations as reusable foundations for human mobility modelling.
• Abstract（参考訳）: 位置表現は、空間的位置、機能的特徴、場所の関係に関する基本的な情報を持つ移動モデルを提供する。 しかし、既存の埋め込みは、しばしば移動観測に依存し、目に見えない場所を表現できず、地理的距離を維持するために弱く制約されている。 これにより、データセットとモビリティタスク間の再利用が制限される。 これらの制約に対処するため,モビリティモデリングのための帰納的,距離認識,地理に基づく位置埋め込みフレームワークLE4Mobを提案する。 LE4Mobは、空間的関係を維持するために埋め込み空間を奨励する距離対応正規化目標を導入しながら、対照的な言語位置事前学習を拡張している。 地理的文脈から事前訓練されたLE4Mobは、豊富な空間意味情報をエンコードし、目に見えない場所への埋め込みを誘導的に生成することができる。 下流のモビリティタスクの監督から独立しているため、さまざまなモビリティタスク間での転送も可能である。 LE4Mobの評価は,個人レベルの次の位置予測と人口レベルの通勤フロー生成について行う。 複数のデータセットと研究領域にわたる実験によると、LE4Mobは、インダクティブ設定において特に利点があり、下流モデルが位置埋め込み間の相互作用に直接依存している場合、強いベースラインを上回っている。 これらの知見は、人間の移動モデリングのための再利用可能な基盤として、距離認識、地理由来の位置表現の可能性を示している。

関連論文リスト

• ST4VLA: Spatially Guided Training for Vision-Language-Action Models [80.35847468618276]
  大規模視覚言語モデル(VLM)はマルチモーダル理解において優れるが、具体化されたタスクに拡張されると不足する。 本稿では,動作学習と空間的先行時間との整合性を実現するための2元系ビジョン・ランゲージ・アクション・フレームワークST4VLAを紹介する。 ST4VLAは、Google Robotでは66.1 -> 84.6、WidowX Robotでは54.7 -> 73.2、バニラVLAよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2026-02-10T18:59:17Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• FoundationMotion: Auto-Labeling and Reasoning about Spatial Movement in Videos [109.99404241220039]
  大規模なモーションデータセットを構築する完全自動データキュレーションパイプラインであるFoundationMotionを紹介した。 提案手法は,まずビデオ中のオブジェクトを検出してトラジェクトリを抽出し,次にこれらのトラジェクトリとビデオフレームを大規模言語モデルで活用する。 我々はNVILA-Video-15BやQwen2.5-7Bなどのオープンソースモデルを微調整し、性能を損なうことなく動作理解を大幅に改善した。
  論文  参考訳（メタデータ） (2025-12-11T18:53:15Z)
• ActLoc: Learning to Localize on the Move via Active Viewpoint Selection [52.909507162638526]
  ActLocは、一般的なロボットナビゲーションタスクのローカライズ精度を高めるためのアクティブな視点対応計画フレームワークである。 ActLocの中核となるのは、視点選択のために、大規模に訓練された注意ベースのモデルである。 ActLocは、単一視点選択における最先端の結果を達成し、完全な軌道計画に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-28T16:36:02Z)
• Into the Unknown: Applying Inductive Spatial-Semantic Location Embeddings for Predicting Individuals' Mobility Beyond Visited Places [3.131843231859519]
  CaLLiPerは、コントラスト学習を通じて関心点の空間座標と意味的特徴を融合する表現学習フレームワークである。 本研究は, マルチモーダル・インダクティブな位置埋め込みが, 人間の移動予測システムの能力向上に有効であることを示すものである。
  論文  参考訳（メタデータ） (2025-06-17T00:00:09Z)
• Can LLMs Learn to Map the World from Local Descriptions? [50.490593949836146]
  本研究では,Large Language Models (LLMs) がコヒーレントなグローバル空間認識を構築できるかどうかを検討する。 都市環境を模擬した実験により, LLMは実空間分布に一致した潜在表現を示すことを示した。
  論文  参考訳（メタデータ） (2025-05-27T08:22:58Z)
• A generalized vector-field framework for mobility [0.0]
  本稿では,任意の種類の移動に有効な個人軌跡から始まる一般ベクトル場表現を提案する。 個人の選挙が運動場のメソスコピック特性をどのように決定するかを示す。 筆者らのフレームワークは, メソスコピックな都市移動において, 隠れ対称性を捉えるための重要なツールである。
  論文  参考訳（メタデータ） (2023-09-04T07:50:08Z)
• Context-aware multi-head self-attentional neural network model for next location prediction [19.640761373993417]
  我々は、歴史的位置情報から位置パターンを学習するマルチヘッド自己注意ニューラルネットワーク(A)を利用する。 提案モデルが他の最先端予測モデルより優れていることを示す。 我々は,提案モデルが文脈を考慮した移動予測に不可欠であると信じている。
  論文  参考訳（メタデータ） (2022-12-04T23:40:14Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)

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。