LightPath: Lightweight and Scalable Path Representation Learning

要約

移動経路は、インテリジェント交通機関やスマートシティのアプリケーションで広く使用されています。
このようなアプリケーションに対応するために、パス表現学習は、パスのランキングや移動コストの推定など、さまざまな下流タスクに使用するときに効率的かつ正確な操作を可能にする、パスのコンパクトな表現を提供することを目的としています。
多くの場合、パス表現の学習が軽量でスケーラブルであることが魅力的です。
リソースが限られた環境やグリーン コンピューティングの制限下では、これは不可欠です。
しかし、既存のパス表現学習の研究は精度に焦点を当てており、リソース消費とスケーラビリティにはせいぜい二次的な注意を払っています。
我々は、LightPath と呼ばれる軽量でスケーラブルなパス表現学習フレームワークを提案します。これは、リソース消費を削減し、精度に影響を与えることなくスケーラビリティを達成することを目的としており、これにより、より広範な適用可能性を可能にします。
より具体的には、フレームワークがパス長に関して良好なスケーラビリティを達成することを保証するスパース オート エンコーダを最初に提案します。
次に、より堅牢なスパース パス エンコーダの高速トレーニングを可能にする関係推論フレームワークを提案します。
また、スパース パス エンコーダのサイズをさらに削減し、パフォーマンスを向上させるために、グローバルとローカルの知識を蒸留することも提案します。
最後に、提案されたフレームワークの効率、拡張性、有効性についての洞察を提供するために、2 つの現実世界のデータセットに関する広範な実験を報告します。

要約(オリジナル)

Movement paths are used widely in intelligent transportation and smart city applications. To serve such applications, path representation learning aims to provide compact representations of paths that enable efficient and accurate operations when used for different downstream tasks such as path ranking and travel cost estimation. In many cases, it is attractive that the path representation learning is lightweight and scalable; in resource-limited environments and under green computing limitations, it is essential. Yet, existing path representation learning studies focus on accuracy and pay at most secondary attention to resource consumption and scalability. We propose a lightweight and scalable path representation learning framework, termed LightPath, that aims to reduce resource consumption and achieve scalability without affecting accuracy, thus enabling broader applicability. More specifically, we first propose a sparse auto-encoder that ensures that the framework achieves good scalability with respect to path length. Next, we propose a relational reasoning framework to enable faster training of more robust sparse path encoders. We also propose global-local knowledge distillation to further reduce the size and improve the performance of sparse path encoders. Finally, we report extensive experiments on two real-world datasets to offer insight into the efficiency, scalability, and effectiveness of the proposed framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google