論文の概要: GeoSplit: Selective Edge--Server Map Acquisition for Cross-User Travel-Mode Recognition
- arxiv url: http://arxiv.org/abs/2610.26707v1
- Date: Mon, 19 Oct 2026 16:41:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 01:50:01.040325
- Title: GeoSplit: Selective Edge--Server Map Acquisition for Cross-User Travel-Mode Recognition
- Title（参考訳）: GeoSplit: クロスユーザ旅行モード認識のためのエッジ-サーバマップ獲得
- Abstract要約: 旅行モード認識のためのエッジサーバフレームワークであるGeoSplitを提案する。
調整されたフルマップコンテキストは、マクロF1を0.7154から0.7864に上昇させる。
地図インフォームド蒸留では、運動のみの学生は0.7225である。
- 参考スコア（独自算出の注目度）: 8.804861613870338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Networked mobility sensing couples local trajectory inference with remote geospatial context, making communication decisions part of the prediction system. We present GeoSplit, an edge--server framework for travel-mode recognition that separates the utility of map evidence, its training-time transfer, and its selective acquisition at runtime. On GeoLife with 10% labels, we evaluate these components under user-day and user-disjoint grouping. For unseen users, aligned full-map context raises macro-F1 from 0.7154 to 0.7864, while map-informed distillation yields a motion-only student at 0.7225. Through a compact query interface, entropy gating achieves 0.7729 macro-F1 versus 0.7738 for all queries, querying 39.5% of trajectories and reducing application payload by 60.5%. Under user-day grouping, selective and all-query scores are similarly close at a 21.6% query rate. Learned value estimation and probability fusion offer no consistent improvement. These results illustrate communication-efficient edge--server inference for an intelligent transportation sensing task.
- Abstract（参考訳）: ネットワークモビリティセンシングは、遠隔地空間コンテキストと局所軌道推定を結合し、通信決定を予測システムの一部とする。
提案するGeoSplitは,地図エビデンスの有用性,トレーニング時間転送,実行時の選択的取得を分離した,旅行モード認識のためのエッジサーバフレームワークである。
10%のラベルを持つGeoLifeでは、これらのコンポーネントをユーザデイおよびユーザディスジョイントグループで評価する。
目に見えないユーザにとって、アライメントされたフルマップコンテキストはマクロF1を0.7154から0.7864に上昇させ、マップインフォームド蒸留は0.7225の運動のみの学生を生み出す。
コンパクトなクエリインタフェースを通じて、エントロピーゲーティングはすべてのクエリに対して0.7729マクロF1と0.7738を達成し、39.5%のトラジェクトリをクエリし、アプリケーションのペイロードを60.5%削減する。
ユーザデーグループ化では、選択的および全クエリスコアも同様に21.6%のクエリレートで近い。
学習された値の推定と確率融合は、一貫した改善を提供しない。
これらの結果は、インテリジェントな輸送検知タスクのための通信効率の高いエッジサーバ推論を示す。
関連論文リスト
- When Does Evidence-Graph Structure Predict Answer Correctness? Label-Free Abstention for Structured Retrieval [0.0]
トレーニング不要の禁忌法は、エビデンスグラフにおいて選択されたエビデンスに境界カットを適用する。
信号は選択された候補と選択されていない候補の間の重み付きカットであり、正確性ラベルや信頼モデルトレーニングを必要としない。
論文 参考訳（メタデータ） (2026-10-16T07:19:00Z) - What Survives on Real Drawings: Active Sampling, Connectome Wiring, and Matched Baselines in Architectural Document Vision [0.0]
ハエ視覚系のコネクトーム制約されたモデルは、所定の動きによって建築図面上を駆動することができる。
我々は、同じ721光受容体サンプルを見ることができる情報マッチングベースラインと比較する。
クリーンな合成データでは、凍結したモデルが転送されるが、タスクトレーニングに負ける。
論文 参考訳（メタデータ） (2026-09-21T13:30:30Z) - Towards Active Cross-View Object Geo-Localization [66.00147324166345]
アクティブクロスビューオブジェクトジオローカライゼーション(ActiveGeo)を導入し、エージェントが順次新しい視点を選択し、いつ停止するかを決定する。
また,3段階トレーニングを備えたActiveGeoフレームワークであるActiveMoPTを提案する。
実験の結果、ActiveMoPTは平均1.45クエリビューしか使用せず、MoP-UAV上での最先端のパフォーマンスを実現していることがわかった。
論文 参考訳（メタデータ） (2026-09-17T04:03:29Z) - Seeing Less Is Not Seeing Safely: Privacy Leakage from Task-Scoped Robot Perception Exports [3.8469008367869963]
家庭内ロボットは、家庭内での操作に豊富な認識を頼っているが、生のセンサーデータがローカルのままである場合でも、プライバシー上のリスクは持続する。
本稿では,タスク・ファンクション・ディスタンス(D: Task-Functional Distillation)という,タスク・スコープによる表現・エクスポート・フレームワークを紹介した。
3つの航法輸出は、同じ成功 (1.000) と平均経路比 (0.898) を達成するが、表現レベルの結合性は0.532から0.970の範囲である。
論文 参考訳（メタデータ） (2026-09-02T18:29:08Z) - Learning Manipulation-Sufficient Representations via Outcome Bottlenecks [7.044221981512693]
ネットワーク操作エンドポイントは、計算と帯域幅に制限のあるリンク間でのアクティベーションに対する認識を2つに分けている。
表現は、ポリシーフリーでアクション条件付きの結果ボトルネックで学習される。
有限プローブ定理は、局所レベル集合の接空間と結果ヤコビアンの零空間を識別する。
論文 参考訳（メタデータ） (2026-09-02T13:22:35Z) - Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。
グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
論文 参考訳（メタデータ） (2026-08-06T15:38:55Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - CorrMatch: Label Propagation via Correlation Matching for
Semi-Supervised Semantic Segmentation [73.89509052503222]
本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。
相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。
我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。
そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
論文 参考訳（メタデータ） (2023-06-07T10:02:29Z) - GoRela: Go Relative for Viewpoint-Invariant Motion Forecasting [121.42898228997538]
精度や一般化を犠牲にすることなく、全てのエージェントとマップに対して効率的な共有符号化を提案する。
不均一空間グラフにおけるエージェントとマップ要素間の幾何学的関係を表現するために、ペアワイズ相対的な位置符号化を利用する。
我々のデコーダは視点非依存であり、レーングラフ上でエージェント目標を予測し、多様かつコンテキスト対応のマルチモーダル予測を可能にする。
論文 参考訳（メタデータ） (2022-11-04T16:10:50Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。