論文の概要: AutoPRL: Automated Path Representation Learning via a Learnable View Generator

• arxiv url: http://arxiv.org/abs/2610.35032v1
• Date: Mon, 26 Oct 2026 08:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.798571
• Title: AutoPRL: Automated Path Representation Learning via a Learnable View Generator
• Title（参考訳）: AutoPRL:学習可能なビュージェネレータによる自動経路表現学習
• Abstract要約: 道路ネットワークにおける経路表現学習(PRL)の強力なパラダイムとして,自己指導型学習が登場している。 提案するAutoPRLは,3つの重要なコンポーネントを統合した,効率的かつ効率的な自己管理型PRLフレームワークである。 AutoPRLは、複数のダウンストリームタスクにおける効率性と効率の両方において、強力で一貫したパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 25.10174906466659
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning has emerged as a powerful paradigm for Path Representation Learning (PRL) in road networks. PRL aims to learn informative representations of paths traversed by moving objects, such as vehicles, where each path consists of a sequence of connected road segments. These representations are essential for various downstream tasks, including travel-time estimation and path ranking. However, existing methods often suffer from ineffective view generation and inefficient training procedures due to their reliance on heuristic augmentations and computationally intensive contrastive learning. To address these issues, we propose AutoPRL, an effective and efficient self-supervised PRL framework that integrates three key components. The Automatic Data Augmentation (AutoDA) module employs variational autoencoders to generate semantically meaningful and diverse feature-level path views by modeling each topology-aware node embedding with a Gaussian latent distribution, thereby mitigating information loss and enhancing representation quality. Second, the Cross-View Decoupled Contrastive (CVDC) learning mechanism improves training efficiency by disentangling the optimization of positive and negative pairs across node- and path-level views, enabling more stable contrastive learning. Third, an Adaptive Co-Training (ACT) module dynamically adjusts uncertainty-based loss weights to balance multiple objectives, ensuring efficient and scalable training. Extensive experiments on three real-world datasets demonstrate that AutoPRL achieves strong and consistent performance in both effectiveness and efficiency across multiple downstream tasks.
• Abstract（参考訳）: 道路ネットワークにおける経路表現学習(PRL)の強力なパラダイムとして,自己指導型学習が登場している。 PRLは、車両などの移動物体が横断する経路の情報表現を学習することを目的としており、各経路は接続された道路セグメントからなる。 これらの表現は、旅行時間推定や経路ランキングなど、様々な下流タスクに必須である。 しかし、既存の手法は、ヒューリスティックな強化と計算集約的なコントラスト学習に依存するため、非効率なビュー生成と非効率なトレーニング手順に悩まされることが多い。 これらの課題に対処するために,3つの重要なコンポーネントを統合した,効率的かつ効率的な自己管理型PRLフレームワークであるAutoPRLを提案する。 AutoDA(Automatic Data Augmentation)モジュールは、ガウスの潜在分布に埋め込まれた各トポロジ対応ノードをモデル化し、情報損失を軽減し、表現品質を向上することにより、意味論的かつ多様な特徴レベルパスビューを生成する。 第2に、Cross-View Decoupled Contrastive (CVDC) 学習メカニズムは、ノードレベルとパスレベルのビュー間で正対と負対の最適化を分離することにより、トレーニング効率を向上し、より安定したコントラスト学習を可能にする。 第3に、Adaptive Co-Training (ACT)モジュールは、複数の目標のバランスをとるために不確実性に基づく損失重みを動的に調整し、効率的でスケーラブルなトレーニングを保証する。 3つの実世界のデータセットに対する大規模な実験は、AutoPRLが複数の下流タスクにおける効率性と効率の両方において、強力で一貫したパフォーマンスを達成することを示した。

関連論文リスト

• DGCPath: Distribution-Aware Generative Contrastive Framework for Self-supervised Path Representation Learning -- Extended Version [21.572106211249324]
  DGCPathは、Path表現のための分散対応ジェネレーティブコントラスト学習フレームワークである。 DGCPathは2つの異なる下流タスクにおいて最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-09-07T10:34:04Z)
• EEVEE: Towards Test-time Prompt Learning in the Real World for Self-Improving Agents [64.96332056338923]
  EEVEEは、LLMエージェントのための最初のマルチデータセットテスト時プロンプト学習フレームワークである。 実世界のタスクストリーム下でテスト時のプロンプト学習を可能にする。 EEVEEはQwen3-4B-InstructとDeepSeek-V3.2で平均マルチベンチマークスコアを10.38点、24.32点改善している。
  論文  参考訳（メタデータ） (2026-06-09T17:57:16Z)
• DRL: Discriminative Representation Learning with Parallel Adapters for Class Incremental Learning [63.65467569295623]
  本稿では,これらの課題に対処するための差別的表現学習(DRL)フレームワークを提案する。 逐次学習を効果的かつ効率的に行うために、DRLのネットワークはPTM上に構築される。 我々のDRLは、CIL時代を通して、他の最先端の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-10-14T03:19:15Z)
• SOLVE: Synergy of Language-Vision and End-to-End Networks for Autonomous Driving [51.47621083057114]
  SOLVEは、ビジョンランゲージモデルとエンド・ツー・エンド(E2E)モデルを相乗化して自動運転車の計画を強化する革新的なフレームワークである。 提案手法は,VLMとE2Eコンポーネント間の包括的インタラクションを実現するために,共有ビジュアルエンコーダによる機能レベルでの知識共有を重視している。
  論文  参考訳（メタデータ） (2025-05-22T15:44:30Z)
• From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
  RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。 複雑な動的トラフィックシナリオを処理できる。 CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
  論文  参考訳（メタデータ） (2024-10-03T06:45:59Z)
• Deep Reinforcement Learning for Autonomous Vehicle Intersection Navigation [0.24578723416255746]
  強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。 そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。 提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2023-09-30T10:54:02Z)
• Feature Decoupling-Recycling Network for Fast Interactive Segmentation [79.22497777645806]
  近年のインタラクティブセグメンテーション手法では,入力としてソースイメージ,ユーザガイダンス,従来予測されていたマスクを反復的に取り込んでいる。 本稿では,本質的な相違点に基づいてモデリングコンポーネントを分離するFDRN(Feature Decoupling-Recycling Network)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T12:26:34Z)
• Three Guidelines You Should Know for Universally Slimmable Self-Supervised Learning [4.631627683014556]
  我々は,複数のデバイスにまたがって自己教師付きモデルを展開するための精度・効率のトレードオフを実現するために,普遍的にスリム化可能な自己教師付き学習(US3L)を提案する。 我々は,学習過程が頻繁に崩壊するにつれて,自己指導型学習のネットワークへの直接的な適応が誤っていることを観察する。 我々は、この時間的一貫性を統一的な視点から確保するために、損失設計のための3つのガイドラインを提案する。
  論文  参考訳（メタデータ） (2023-03-13T05:37:46Z)
• Visual Exemplar Driven Task-Prompting for Unified Perception in Autonomous Driving [100.3848723827869]
  本稿では,タスク固有のプロンプトを通じて視覚的見本を提示する,効果的なマルチタスクフレームワークVE-Promptを提案する。 具体的には、境界ボックスと色に基づくマーカーに基づいて視覚的な例を生成し、ターゲットカテゴリの正確な視覚的外観を提供する。 我々は変圧器をベースとしたエンコーダと畳み込み層を橋渡しし、自律運転における効率的かつ正確な統合認識を実現する。
  論文  参考訳（メタデータ） (2023-03-03T08:54:06Z)

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。