論文の概要: EASTAR: Event-Anchored Semantic and Task-Adaptive Region Representation Learning
- arxiv url: http://arxiv.org/abs/2611.14990v1
- Date: Wed, 11 Nov 2026 03:44:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.002335
- Title: EASTAR: Event-Anchored Semantic and Task-Adaptive Region Representation Learning
- Title(参考訳): EASTAR:イベント・アンコレート・セマンティック・タスク適応型領域表現学習
- Abstract要約: 本研究では,都市域表現学習のためのイベント適応型タスク適応型フレームワークであるEASTARを提案する。
我々は,EASTARが代表ベースラインを一貫して上回り,最大39.15%のMAE削減を実現していることを示す。
- 参考スコア(独自算出の注目度): 6.969776205932804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban region representation learning supports a wide range of urban analytics tasks by encoding regional functions and interactions, with human mobility serving as a central signal because it directly captures inter-region interactions. However, most mobility-based methods learn from aggregated origin-destination matrices, where trips driven by different activity purposes are mixed into purpose-agnostic interaction patterns. Although static urban attributes such as POIs and land use can enrich region-level semantics, they do not explicitly ground mobility interactions in activity-purpose signals. As a result, downstream adaptation is often performed over entangled embeddings, making it difficult to select task-relevant functional semantics. To address these limitations, we propose EASTAR, an event-anchored and task-adaptive framework for urban region representation learning. EASTAR treats offline activity events as sparse semantic anchors and uses them to factorize aggregated mobility representations into multiple purpose-related semantic channels. It further introduces free channels to capture latent mobility patterns not covered by event data and a global channel to preserve overall spatial structure. To adapt the learned channel space to different downstream objectives, EASTAR designs a task-adaptive prompt router that initializes task-channel relevance from LLM-derived priors and refines the routing weights through downstream supervision. Experiments on two real-world urban datasets across four prediction tasks show that EASTAR consistently outperforms representative baselines, achieving up to 39.15% reduction in MAE. Ablation and interpretability analyses further demonstrate the effectiveness of event anchoring, semantic channel construction, and task-adaptive routing.
- Abstract(参考訳): 都市地域表現学習は、地域機能と相互作用を符号化することで、幅広い都市分析タスクをサポートする。
しかし,移動性に基づくほとんどの手法は,様々な活動目的によって駆動される移動が,目的に依存しない相互作用パターンに混ざり合うように,原点決定行列から学習する。
POIや土地利用のような静的な都市属性は地域レベルのセマンティクスを豊かにすることができるが、活動目的信号におけるモビリティの相互作用を明確には示していない。
その結果、下流適応はしばしば絡み合った埋め込みによって行われ、タスク関連機能意味論の選択が困難になる。
これらの制約に対処するため,都市域表現学習のためのイベント適応型タスク適応型フレームワークであるEASTARを提案する。
EASTARはオフラインアクティビティイベントをスパースなセマンティックアンカーとして扱い、集約されたモビリティ表現を複数の目的に関連するセマンティックチャネルに分解する。
さらに、イベントデータでカバーされていない潜在モビリティパターンをキャプチャするための自由チャネルや、全体空間構造を保存するためのグローバルチャネルも導入されている。
学習チャネル空間を異なる下流の目的に適応させるために、EASTARは、LCMから派生したタスクチャネル関連性を初期化し、下流の監視を通じてルーティングウェイトを洗練するタスク適応プロンプトルータを設計する。
4つの予測タスクにわたる2つの実世界の都市データセットの実験は、EASTARが代表的ベースラインを一貫して上回り、最大39.15%のMAE削減を実現していることを示している。
アブレーションと解釈可能性の分析により、イベントアンカリング、セマンティックチャネル構築、タスク適応ルーティングの有効性がさらに示された。
関連論文リスト
- RAIN: Robotic Task Generalization with Region-Aware Interaction Networks [31.289980154993568]
本稿では,タスクを目標条件付きサブタスクのシーケンスとして定式化し,それぞれをアクションタイプとターゲット領域マスクで指定する。
RAINは学習したスキルをさまざまなオブジェクトやシーンレイアウトで再利用し、トレーニング中に見えないタスクシーケンスに構成することを可能にする。
論文 参考訳(メタデータ) (2026-10-02T07:31:41Z) - Plan-to-Synthesis: Cross-City Human Mobility Generation via Semantic Latent Flow Matching [50.079901905090516]
人間のモビリティ生成は、現実的なPOI(point-of-interest)訪問軌跡を合成することを目的としている。
潜在フローマッチングに基づくセマンティックヒューマンモビリティ生成フレームワークSeMoFlowを提案する。
本研究では,SeMoFlowが既存のベースラインよりも高い軌道忠実性を実現し,都市固有のモチーフを保ち,都市間移動と都市間移動の両立を支援していることを示す。
論文 参考訳(メタデータ) (2026-09-26T15:50:08Z) - Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。
自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。
ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2026-05-09T09:49:13Z) - SignNav: Leveraging Signage for Semantic Visual Navigation in Large-Scale Indoor Environments [57.79171900005793]
人間は、大規模屋内環境内の目的地に向かうために、手話によって提供される意味的ヒントを日常的に活用する。
本稿では,手話からの意味的ヒントを解釈し,現在の観察に基づくその後の行動の推論を行うための,新しい具体的ナビゲーションタスクSignNavを紹介する。
空間認識モジュールは物理的世界へのサインの意味的ヒントを基盤として,時間認識モジュールは歴史的状態と現在の観測との長距離依存性を捉えている。
論文 参考訳(メタデータ) (2026-03-17T06:36:26Z) - 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) - Bayesian Ego-graph inference for Networked Multi-Agent Reinforcement Learning [16.190458233440864]
本稿では,ネットワーク型MARLのためのグラフベースのポリシーを提案する。
ベイズ変分法による疎密なコンテキスト認識相互作用構造を学習する分散型アクターフレームであるBayesGを紹介する。
BayesGは、最大167エージェントの大規模トラフィック制御タスクにおいて、強力なMARLベースラインを上回っている。
論文 参考訳(メタデータ) (2025-09-20T10:09:37Z) - GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。
GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
論文 参考訳(メタデータ) (2024-06-04T02:59:36Z) - Learning to Relate Depth and Semantics for Unsupervised Domain
Adaptation [87.1188556802942]
教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。
本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。
さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
論文 参考訳(メタデータ) (2021-05-17T13:42:09Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳(メタデータ) (2020-05-04T17:45:18Z) - DETECT: Deep Trajectory Clustering for Mobility-Behavior Analysis [10.335486459171992]
我々は,Deep Embedded TrajEctor ClusTering Network (DETECT)と呼ばれる,移動行動クラスタリングのための教師なしニューラルネットワークを提案する。
DETECTは3つの部分で機能する: まず、重要な部分を要約し、地理的局所性から派生した文脈で拡張することで軌道を変換する。
第2部では、潜在行動空間におけるトラジェクトリの強力な表現を学び、これによりクラスタリング関数(例えば$k$means)を適用できる。
論文 参考訳(メタデータ) (2020-03-03T06:09:15Z)
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。