UMOD: A Novel and Effective Urban Metro Origin-Destination Flow Prediction Method
원문 초록
Accurate prediction of metro Origin-Destination (OD) flow is essential for the development of intelligent transportation systems and effective urban traffic management. Existing approaches typically either predict passenger outflow of departure stations or inflow of destination stations. However, we argue that travelers generally have clearly defined departure and arrival stations, making these OD pairs inherently interconnected. Consequently, considering OD pairs as a unified entity more accurately reflects actual metro travel patterns and allows for analyzing potential spatio-temporal correlations between different OD pairs. To address these challenges, we propose a novel and effective urban metro OD flow prediction method (UMOD), comprising three core modules: a data embedding module, a temporal relation module, and a spatial relation module. The data embedding module projects raw OD pair inputs into hidden space representations, which are subsequently processed by the temporal and spatial relation modules to capture both inter-pair and intra-pair spatio-temporal dependencies. Experimental results on two real-world urban metro OD flow datasets demonstrate that adopting the OD pairs perspective is critical for accurate metro OD flow prediction. Our method outperforms existing approaches, delivering superior predictive performance.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
자율 주행을 위한 관계적으로 그라운딩된 잠재 세계 모델
Relationally Grounded Latent World Models for Autonomous Driving
잠재 세계 모델은 자율 주행을 위한 예측적 표현을 학습하지만, 이러한 상태가 보존하는 관계적 의미는 종종 암묵적으로 남아 있다. 우리는 교통 장면 그래프가 잠재 세계 표현에 대한 특권적 의미 감독으로 기능할 수 있는지 조사한다. LAW를 기반으로 nuScenes 3D 주석으로부터 액터 중심 장면 그래프를 구성하고, 동결된 텍스트 임베딩 모델로 직렬화된 관계 구조를 인코딩하며, 학습 중 시각적 잠재 표현을 이 의미적 목표와 정렬한다. 추론 시 감독 분기를 제거하므로 장면 그래프나 3D 주석이 필요하지 않으며 테스트 시간 계산도 추가하지 않는다. nuScenes에서 우리 방법은 재학습한 LAW 기준선 대비 평균 궤적 L2 오류를 0.661에서 0.622(5.9%)로, 충돌률을 0.456에서 0.217(52.4%)로 낮춘다. 또한 비구조화된 캡션 스타일 의미 목표보다 우수하여, 잠재 세계 모델 표현 학습에서 명시적 관계 구조의 이점을 뒷받침한다.
EasySpider: A No-Code Visual System for Crawling the Web
Semi-supervised Time Series Classification by Temporal Relation Prediction
지정가 주문서 예측을 위한 추론-연산 프런티어
The Inference-Compute Frontier for Limit Order Book Prediction
우리는 FI-2010에서 지정가 주문서 예측에 대한 경험적 추론-연산 프런티어를 규명한다. 저연산 및 중연산 모델에 적합시킨 멱법칙은, 해당 적합에서 가장 큰 예산의 $56$--$2{,}515$배에 달하는 연산량을 가진, 제외된 MLPLOB 방식의 믹서 계열까지 외삽된다. 아홉 개의 폴드와 다섯 개의 예측 수평선에 걸쳐, 실현된 목표 프런티어에서 통합 $R^2$는 $0.934$이며 상수 종점 외삽보다 RMSE가 59\% 낮고, 제외된 모든 운용점에서는 $0.731$이다. 측정된 지연 시간은 더 약한 관계를 보이며 모델 계열의 순위를 바꾼다. 따라서 우리는 연산을 조밀한 시간 및 특징 혼합에 집약하도록 FastBiNLOB을 설계한다. H120은 다섯 개의 시드 모두에서 네 개의 수평선 중 두 개에서 발표된 최첨단 macro-F1을 능가한다. 우리의 CPU/MPS 프로토콜에서 H96은 W128 MLPLOB 기준 대비 중앙값 지연 시간을 23.6\% 줄이고, H120은 TLOB에서 착안한 이중 축 어텐션 기준 대비 60.2\% 줄인다.
게이트는 항상 닫힌다: 동결된 비전-언어 모델에 보조 신호를 주입하는 것에 대하여
The Gate Always Closes: On Injecting Auxiliary Signals into Frozen Vision-Language Models
VLM의 보조 신호 경로에는 최적화기가 신호를 얼마나 받아들일지 결정할 수 있도록 학습 가능한 게이트가 일상적으로 적용된다. 본 연구는 최적화기가 무엇을 결정하는지, 그리고 모델이 이후 그 신호를 실제로 사용하는지를 쌍곡 시각 관계 그래프를 실험 수단으로 삼아 연구한다. 교차 엔트로피 미세조정 하에서 최적화기는 0을 선택하며, 우리가 학습시킨 모든 설계에서 게이트가 닫힌다는 것을 확인하였다. 이는 LLaVA-1.5-7B에서의 다섯 가지 주입 설계, 네 가지 과제군에 걸친 Qwen2-VL-7B의 15회 중 15회 실행, InternVL3-8B의 3개 시드 중 3개, 그리고 모든 선형 계층에 LoRA를 적용한 경우에서 모두 나타났다. 우리는 이 억제 현상을 두 가지 체제로 설명한다. 하나는 이미지에서 유래한 신호의 캡션 불변성을 통해 정식화하고 직접 측정한 기울기 소실 체제이며, 다른 하나는 보조 신호가 손실을 오히려 악화시키는 음의 효용 체제이다. 게이트가 닫혀 있다고 해서 그 경로가 비활성 상태인 것은 아니므로, 실제 영역 제안을 사용하는 단일 프로토콜 하에서 추론 시 각 경로를 절제하였다. 그 결과 노름 정렬 설계는 행동 면에서 닫혀 있는 반면(학습된 게이트에서 변화가 최대 1.5pp), 정규화되지 않은 게이트 프리픽스는 열려 있으며 해롭다. 학습된 게이트 값 +0.005에서 관계형 GQA에서 6.7pp의 손실을 초래하면서 SugarCrepe에는 도움이 된다. 모든 구성을 단일 추론 모드로 평가한 결과, 활성화된 주입 경로는 관계형 GQA에서 최대 15pp, 분포 외 VSR에서 7-12pp의 손실을 초래하고, 경로를 제거하면 기하학적 학습 손실은 분포 내에서 측정 가능한 이득을 주지 않으며, 유클리드 포함 관계 대조군이 쌍곡 방식과 대등한 성능을 보인다. 임베딩 노름 정렬은 생성을 보존하는 프리픽스 주입에 여전히 필요하다. 우리는 게이트 값이나 어텐션 질량을 읽는 대신 절제를 통해 신호 사용 여부를 검증할 것을 권고한다. 모든 표의 기반이 되는 구현, 체크포인트, 결과 파일을 https://github.com/mrfarazi/the-gate-always-closes 에 공개한다.
미관측 교란 변수에 강건한 위험 점수 학습
Learning Risk Scores Robust to Unobserved Confounders
미관측 교란의 영향을 받는 역사적 관찰 데이터로부터, 희소 자원이나 개입 대상 개인의 우선순위를 정하기 위한 위험 점수를 학습하는 문제를 다룬다. 누가 희소 자원을 받을지에 대한 결정은 설문 응답과 같이 기록된 특성에 기반한 위험 점수에 의해 종종 안내된다. 이러한 위험 점수는 개인의 특성, 배분 결정, 결과에 대한 역사적 기록인 관찰 데이터로부터 직접 학습되는 경우가 점점 늘고 있다. 역사적 배분 정책이 도입한 바이어스를 보정하는 역 성향 가중치(inverse propensity weighting, IPW)와 같은 표준 방법은, 역사적 결정 과정이 기록된 특성으로 완전히 설명될 수 있다면 정확한 위험 점수를 학습하는 데 사용될 수 있다. 그러나 실무에서는 역사적 결정이 종종 기록되지 않은 정보에 의존하여, 학습된 위험 점수가 과거 우선순위를 이끌었던 기록되지 않은 상황을 가진 개인들을 정확히 체계적으로 과소 우선순위화하게 만든다. IPW를 기반으로, 이러한 종류의 미관측 교란에 강건한 위험 점수를 학습하는 방법을 제안한다. 미관측 교란 하에서는 성향 가중치를 신뢰할 수 있게 추정할 수 없으므로, 대신 관측 가능한 데이터와 교란 정도에 대한 도메인 정보 기반 추정치로 결정되는 불확실성 집합에 속하는 것으로 취급하며, 인과 추론(causal inference)의 민감도 분석(sensitivity analysis)과 Wasserstein 분포적 강건 최적화(Wasserstein distributionally robust optimization)를 결합한다. 그 결과 강건 위험 점수 학습 문제는 표본 기반 근사를 허용하며, 이를 기성 솔버와 호환되는 지수 원뿔 프로그램(exponential cone program)으로 재공식화한다. UCI Machine Learning Repository의 데이터셋에서 파생된 반합성(semi-synthetic) 데이터에서 접근법의 효과를 입증한다. 제안 방법은 다른 지표를 손상하지 않으면서, 전통적 벤치마크 대비 보정(calibration)을 최대 29.2%까지, 최신(state of the art) 대비 최대 11.1%까지 개선한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.