Zobrazeno 1 - 10
of 4 358
pro vyhledávání: '"trajectory of learning"'
Autor:
Schestakov, Stefan, Gottschalk, Simon
Trajectory representation learning is a fundamental task for applications in fields including smart city, and urban planning, as it facilitates the utilization of trajectory data (e.g., vehicle movements) for various downstream applications, such as
Externí odkaz:
http://arxiv.org/abs/2411.14014
Trajectory representation learning (TRL) maps trajectories to vectors that can then be used for various downstream tasks, including trajectory similarity computation, trajectory classification, and travel-time estimation. However, existing TRL method
Externí odkaz:
http://arxiv.org/abs/2411.15096
Trajectory representation learning (TRL) maps trajectories to vectors that can be used for many downstream tasks. Existing TRL methods use either grid trajectories, capturing movement in free space, or road trajectories, capturing movement in a road
Externí odkaz:
http://arxiv.org/abs/2411.14768
Modeling trajectory data with generic-purpose dense representations has become a prevalent paradigm for various downstream applications, such as trajectory classification, travel time estimation and similarity computation. However, existing methods t
Externí odkaz:
http://arxiv.org/abs/2410.13196
Similarity search is a fundamental but expensive operator in querying trajectory data, due to its quadratic complexity of distance computation. To mitigate the computational burden for long trajectories, neural networks have been widely employed for
Externí odkaz:
http://arxiv.org/abs/2405.19761
Autor:
Ma, Zhipeng, Tu, Zheyan, Chen, Xinhai, Zhang, Yan, Xia, Deguo, Zhou, Guyue, Chen, Yilun, Zheng, Yu, Gong, Jiangtao
Trajectory representation learning plays a pivotal role in supporting various downstream tasks. Traditional methods in order to filter the noise in GPS trajectories tend to focus on routing-based methods used to simplify the trajectories. However, th
Externí odkaz:
http://arxiv.org/abs/2402.16915
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Kim, Dongjun, Lai, Chieh-Hsin, Liao, Wei-Hsiang, Murata, Naoki, Takida, Yuhta, Uesaka, Toshimitsu, He, Yutong, Mitsufuji, Yuki, Ermon, Stefano
Consistency Models (CM) (Song et al., 2023) accelerate score-based diffusion model sampling at the cost of sample quality but lack a natural way to trade-off quality for speed. To address this limitation, we propose Consistency Trajectory Model (CTM)
Externí odkaz:
http://arxiv.org/abs/2310.02279
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.