論文の概要: ScaleTraj: Scale-Decomposed Human Trajectory Generation
- arxiv url: http://arxiv.org/abs/2611.04097v1
- Date: Tue, 03 Nov 2026 00:15:11 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:53:02.098745
- Title: ScaleTraj: Scale-Decomposed Human Trajectory Generation
- Title（参考訳）: ScaleTraj: スケール分解された人間の軌道生成
- Abstract要約: 人口レベルの変位ミスマッチは、空間的スケールで旅行がどのように割り当てられるかという体系的な誤りと一致している。
位置予測をスケール選択ヘッドに分解する自動回帰変換器であるtextbfScaleTraj を開発した。
実験によると、ScaleTrajは、モデル駆動とデータ駆動のベースラインに対して、Population-Level Displacement Gapを削減している。
- 参考スコア（独自算出の注目度）: 8.33943211370217
- License:
- Abstract: Individual-level trajectories are essential for applications that rely on user-level mobility behavior. Existing mobility-generation approaches face a fundamental tension between individual-level and population-level statistical fidelity: top-down models reproduce aggregate mobility statistics but struggle to guarantee realistic individual trajectories, while bottom-up generators synthesize individual trajectories yet often fail to preserve key population-level mobility regularities after aggregation. In particular, many bottom-up generated populations fail to reproduce the displacement distribution, whose heavy tail is well summarized by a truncated power law. We formalize this phenomenon as the \textbf{Population-Level Displacement Gap}. To investigate its prevalence, we conduct a systematic evaluation of representative model-driven and data-driven trajectory generators. Our results provide evidence that the Population-Level Displacement Gap is prevalent across diverse generation paradigms. To diagnose this gap, we introduce the \textbf{Scale Fidelity Profile (SFP)}, a scale-decomposed metric that quantifies discrepancies in trip allocations across spatial scales. SFP indicates that population-level displacement mismatches co-occur with systematic errors in how trips are allocated across spatial scales. Motivated by this observation, we develop \textbf{ScaleTraj}, an autoregressive Transformer that decomposes location prediction into a Scale Selection Head that decides the movement scale and a Scale-Aware Cell Selection Head that predicts the destination conditioned on the selected scale. Experiments on two datasets show that ScaleTraj reduces the Population-Level Displacement Gap versus model-driven and data-driven baselines, while preserving fidelity. Our code is available at https://github.com/SCU-TrustworthyAI/ScaleTraj.
- Abstract（参考訳）: 個人レベルのトラジェクトリは、ユーザレベルのモビリティの振る舞いに依存するアプリケーションに不可欠である。
トップダウンモデルは総合モビリティ統計を再現するが、現実的な個々の軌跡を保証するのに苦労する一方、ボトムアップジェネレータは個々の軌跡を合成するが、集約後の重要な人口レベルのモビリティの正則性を維持するのに失敗する。
特に、多くのボトムアップが生成する集団は、重尾が乱れた電力法則によってよく要約されている変位分布を再現できない。
この現象を \textbf{Population-Level Displacement Gap} として定式化する。
そこで本研究では,モデル駆動型およびデータ駆動型トラジェクトリジェネレータの系統的評価を行った。
以上の結果から,人口レベル変位ギャップが多様な世代パラダイムにまたがっていることが示唆された。
このギャップを診断するために,空間スケールをまたいだ旅行割当の差分を定量化するスケール分解計量である「textbf{Scale Fidelity Profile (SFP)」を導入する。
SFPは、人口レベルの変位は、空間的スケールで旅行がどのように割り当てられるかにおいて、体系的な誤りと一致していることを示している。
本研究の目的は,位置予測を移動尺度を決定するスケール選択ヘッドに分解する自動回帰変換器であるtextbf{ScaleTraj} と,選択したスケールで設定された宛先を予測するスケール認識セル選択ヘッドを開発することである。
2つのデータセットの実験によると、ScaleTrajは、忠実性を維持しながら、モデル駆動とデータ駆動のベースラインに対して、Population-Level Displacement Gapを削減している。
私たちのコードはhttps://github.com/SCU-TrustworthyAI/ScaleTraj.comで利用可能です。
関連論文リスト
- Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
論文 参考訳（メタデータ） (2026-10-13T07:37:52Z) - Learning Commute-Time-Preserving World Models for Planning [6.7022518034438585]
通勤時間保存世界モデル(CTWM)を紹介する。
CTWMは遅延変位予測器と崩壊を防ぐ対数決定正則化器を結合する。
数値シミュレーションでは、CTWMはタスク非依存のベースラインであるLeWMにマッチする。
論文 参考訳（メタデータ） (2026-10-01T09:42:42Z) - Distilling Aggregate Mobility Statistics into a Language Model Policy for Post-Event Crowd Simulation [5.013248430919224]
言語モデル群集エージェントを微調整し、シミュレーションされた人口が観測対象の組成と一致するようにする。
2つの野球の試合の移動ネットワーク数では、微調整エージェントは推測時間補正なしで動作し、目的地の共有誤差を25%削減する。
論文 参考訳（メタデータ） (2026-08-20T08:23:24Z) - Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。
標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。
本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
論文 参考訳（メタデータ） (2026-02-10T12:25:43Z) - Many Minds from One Model: Bayesian Transformers for Population Intelligence [6.675008419230873]
本稿では,B-Trans(Polyulation Bayesian Transformer)を提案し,B-Trans(Polyulation Bayesian Transformer)モデルに変換する。
B-Transは、トレーニング済みの1セットの重みから多様だがコヒーレントなモデルインスタンスのサンプリングをサポートする。
実験により、B-Transは群衆の知恵を効果的に活用し、より良いタスク性能を達成しつつ、より優れたセマンティック多様性をもたらすことが示された。
論文 参考訳（メタデータ） (2025-12-31T18:56:02Z) - Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。
両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
論文 参考訳（メタデータ） (2025-03-05T14:18:39Z) - Spatial and social situation-aware transformer-based trajectory prediction of autonomous systems [2.498836880652668]
エージェントの振る舞いを所定の状況で予測するには、時間内に適切に反応する必要がある。
近年,深層学習に基づくモデルが動き予測の主流となっている。
より長い予測地平線の場合、予測軌道の地平線からの偏差は、空間的・社会的に非依存なモデルに比べて低い。
論文 参考訳（メタデータ） (2024-06-04T20:36:16Z) - PoseGPT: Quantization-based 3D Human Motion Generation and Forecasting [16.033044724498296]
本稿では,人間の動きを量子化された潜伏列に内部的に圧縮する自動回帰変換器のPoseGPTを提案する。
GPT(Generative Pretrained Transformer)にインスパイアされた本研究では,その空間における次インデックス予測のために,GPTのようなモデルをトレーニングすることを提案する。
論文 参考訳（メタデータ） (2022-10-19T13:30:39Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - Crowd Counting via Hierarchical Scale Recalibration Network [61.09833400167511]
本稿では,群集カウントの課題に取り組むために,階層型大規模校正ネットワーク(HSRNet)を提案する。
HSRNetは、リッチなコンテキスト依存をモデル化し、複数のスケール関連情報を再検討する。
提案手法は,様々なノイズを選択的に無視し,適切な群集スケールに自動的に焦点を合わせることができる。
論文 参考訳（メタデータ） (2020-03-07T10:06:47Z)
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。