IJCAIMay, 2022

轨迹 - 用户关联的相互蒸馏学习网络

PDF
TL;DR本文提出了一种名为 MainTUL 的新型互相蒸馏学习网络，用于解决移动轨迹 - 用户链接 (TUL) 的问题，该问题主要由于签到移动性数据的稀疏性造成。MainTUL 由循环神经网络轨迹编码器和时间感知的 Transformer 轨迹编码器组成，通过对历史轨迹学习的知识在两个轨迹编码器之间传递，实现了信息的互相蒸馏。在两个真实世界的签到移动性数据集上的实验结果表明，MainTUL 优于现有的基线方法。
trajectory-user linkingmutual distillation learning networksparse check-in mobility datarecurrent neural networktemporal-aware transformer
发现论文，激发创造
  • 层次空间时间注意力网络下的轨迹 - 用户链接

    本文提出了一个新的分层时空注意力神经网络 ——AttnTUL，用于联合编码局部轨迹过渡模式和全局空间依赖性，以实现轨迹 - 用户链接，并使用各种轨迹数据集证明了其在性能上优于最先进的基线模型。

    Feb, 2023

  • 轨迹 - 用户链接比您想象中容易

    本研究旨在解决 Trajectory-User Linking (TUL) 任务，并表明直接使用 visit patterns 进行简单的启发式数据分析就足以解决 TUL 问题，并通过使用非参数分类器扩展 TUL 实验，将数据规模扩大到 100K 用户，达到三个数量级的增长，且在 Brightkite，Foursquare，Gowalla 和 Weeplaces 等四个现实世界数据集上获得了验证。

    Dec, 2022

  • 基于互信息的迁移学习交通预测方法

    TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

    Mar, 2023

  • 多任务时间序列分类的高效联邦蒸馏学习系统

    本文提出了一种高效的联邦蒸馏学习系统 (EFDLS) 用于多任务时间序列分类（TSC），通过特征生效的师生框架（FBST）和基于距离的权重匹配（DBWM）来实现，实验结果表明此系统在选定的 UCR2018 数据集上具有出色的性能。

    Dec, 2021

  • 最小化累积轨迹误差以提高数据集蒸馏

    本文提出了一种基于优化算法的 Flat Trajectory Distillation（FTD）方法来缓解 distortion 和 subsequent evaluation 之间的累积轨迹误差，实验证明该方法可提高梯度匹配方法的性能，并适用于神经架构搜索。

    Nov, 2022

  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • TCL: 基于 Transformer 动态图对比学习建模

    本文介绍了一种新颖的图神经网络方法，基于图转换器，引入了两个流编码器，另外通过对比学习来使动态表示具有高级别 (或全局) 语义，提高了交互预测的准确性。

    May, 2021

  • 多智能体张量融合用于上下文轨迹预测

    自动驾驶中准确预测其他车辆 / 行人的运动轨迹非常重要，本文提出了一种基于多智能体张量融合网络的模型，可以模拟代理人之间的交互和约束以及环境场景等因素，从而实现对未来运动轨迹的精准预测，并在高速公路和行人数据集上表现出最先进的预测精度。

    Apr, 2019

  • 社交群体之间的思想流动追踪

    本文提出了一种方法来建模词群之间的流动行为、识别不同用户群体之间词汇聚类的先导滞后关系，使用基于动态时间扭曲的改进 Bayesian 条件协整来学习不同群体词汇之间的联系，采用基于张量的技术将这些链接单词聚类到不同的簇（ideas）中并跟踪 ideas 的流动，经过实验验证，该方法相对于传统聚类技术和精度更高，可用于帮助用户了解社交媒体上不同用户群体之间想法的流动。

    Dec, 2015

  • 层次中间预测的过渡不确定性

    研究单次通过不确定性估计的特征工程，提出了一种名为 TULIP 的简单方法，通过在后续层折叠信息之前从中间表示中提取特征以实现特征保留，并在标准基准和实际环境中与当前的单次通过方法相匹配或优于其性能。

    May, 2024