論文の概要: Masked Diffusion for Travel Diaries Synthesis

• arxiv url: http://arxiv.org/abs/2610.17109v1
• Date: Mon, 12 Oct 2026 17:02:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:15:57.409655
• Title: Masked Diffusion for Travel Diaries Synthesis
• Title（参考訳）: 旅行日記合成のためのマスケ拡散
• Abstract要約: 完全に隠されたシーケンスを任意の順序でアンマキング位置によって完全なダイアリル分布にブリッジするモデルであるDiaryBridgeを紹介する。 実験の結果,DiaryBridgeは自動車の可利用性や雇用状況を反映した旅行行動を生成し,他の世帯で観察された日記による共有旅行を回収し,学習ベースラインよりも歩数,目的,出発期間の合計需要を再現することがわかった。
• 参考スコア（独自算出の注目度）: 16.842555214164225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Because household travel surveys combine household characteristics, variable-length person rosters, vehicle rosters, and trip chains, existing synthesis pipelines split them across separate models or flatten them into cropped fixed-length vectors. Representation, rather than modeling, becomes the bottleneck: splitting severs cross-segment dependence, and cropping truncates the household-structure distribution. We instead tokenize the diary and keep the object whole: each household-day becomes one token sequence with count tokens for vehicles, persons, and trips, and distinct symbols for padded, hidden, unobserved, and inapplicable positions. We introduce DiaryBridge, a masked diffusion model that bridges the fully hidden sequence to the distribution of complete diaries by unmasking positions in any order. One trained model, conditioned on any observed subset, performs synthesis and partial-diary completion alike. Experiments on real data extracted from the 2017/2018 Regional Travel Survey of the Baltimore region show that DiaryBridge generates travel reflecting vehicle availability and employment status, recovers shared trips using other household members' observed diaries, and better reproduces aggregate demand across modes, purposes, and departure periods than the learned baselines.
• Abstract（参考訳）: 家庭内旅行調査では、世帯の特徴、可変長の人ロスター、車両ロスター、トリップチェーンが組み合わされているため、既存の合成パイプラインはそれらを別々のモデルに分割するか、固定長のベクターに平らにする。 モデルではなく表現がボトルネックとなり、セバーの断面積依存を分割し、収穫は世帯構造分布を乱す。 私たちは代わりに、日記をトークン化し、オブジェクト全体を維持します。各家庭の日は、車、人、旅行のトークンを数える1つのトークンシーケンスとなり、パッド、隠された、保存されていない、適用不可能な位置のシンボルを識別します。 マスク付き拡散モデルであるDiaryBridgeを導入し, 完全に隠されたシーケンスを任意の順序でアンマキング位置によって完全なダイアリル分布にブリッジする。 ある訓練されたモデルは、観察されたサブセットに条件付けされ、合成や部分的なダイアリ補完も行う。 2017/2018年のボルチモア地域の地域旅行調査から抽出された実データから、ダイアリバリッジは、車両の可用性と雇用状況を反映した旅行を発生させ、他の世帯メンバーの観察した日記を使って共有旅行を回収し、学習ベースラインよりも総合的な需要を再現することを示した。

関連論文リスト

• Spatiotemporal Multi-Task Graph Transformer for Trip-Level Transit Prediction [6.06184145292026]
  既存のアプローチは、しばしば固定時間的、空間的、あるいは停止レベルの時間的モデリングに依存している。 本研究では,連続列モデルとしてトリップレベル遷移予測をフレーム化するマルチテンポラルグラフ変換器を提案する。 主要なコンポーネントは、マルチリレーショナルな類似性のためのグラフ埋め込み、天気と時間情報のためのコンテキストエンコーダ、タスク固有のデコーダ表現を生成する混合専門家モジュールである。
  論文  参考訳（メタデータ） (2026-05-30T06:49:26Z)
• Towards Multimodal Lifelong Understanding: A Dataset and Agentic Baseline [58.585692088008905]
  MM-Lifelongはマルチモーダルライフロング理解のために設計されたデータセットである。 撮影時間は181.1時間で、日、週、月の各スケールにまたがって構成され、様々な時間密度を捉えている。
  論文  参考訳（メタデータ） (2026-03-05T18:52:12Z)
• Individual Bus Trip Chain Prediction and Pattern Identification Considering Similarities [8.569687212998305]
  そこで本稿では,同時代の交通機関をベースとしたバストリップチェーンを新たに構築する手法を提案する。 鍵となる類似パターンは実世界のデータを使って定義され、テストされ、これらのパターンをキャプチャするために類似関数が開発される。 本研究は,バス旅行チェーンの類似性に基づく予測の有効性を実証し,個別のバス旅行パターンを解析するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-12-16T01:32:26Z)
• Random Tree Model of Meaningful Memory [2.412688778659678]
  本稿では,各ノードが木葉の圧縮された表現であるキーポイントの階層として物語を表現するために,ランダムツリーの統計的アンサンブルを導入する。 平均リコール長は物語長に比例して増加し,各リコール文では個人がより長いナラティブセグメントを要約するようになっている。
  論文  参考訳（メタデータ） (2024-12-02T18:50:27Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Multimodal hierarchical Variational AutoEncoders with Factor Analysis latent space [45.418113011182186]
  本研究では,変分オートエンコーダ(VAE)と因子解析潜時空間(FA-VAE)を組み合わせることで,制約に対処する新しい手法を提案する。 FA-VAE法は複数のVAEを用いて連続潜伏空間における各異種データビューのプライベート表現を学習する。
  論文  参考訳（メタデータ） (2022-07-19T10:46:02Z)
• Drawing out of Distribution with Neuro-Symbolic Generative Models [49.79371715591122]
  ドローイング・アウト・オブ・ディストリクト(英: Drawing out of Distribution)は、ストローク・ベース・ドローイングの神経象徴的生成モデルである。 DooDは画像を直接操作するが、監視や高価なテストタイム推論は必要ない。 我々は、データとタスクをまたいだ一般化能力について、DooDを評価した。
  論文  参考訳（メタデータ） (2022-06-03T21:40:22Z)

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。