打破数据孤岛：通过生成式持续学习实现开放且可扩展的移动基石模型
机器学习
2025-12-30 v6 密码学与安全
摘要
人类移动是城市科学与可持续发展的基本支柱，提供有关能源消耗、碳排放和公共健康的关键见解。然而，通用移动规律的发现目前受到“数据孤岛”问题的制约——制度边界和隐私法规导致必要的大规模数据集碎片化。在本文中，我们提出 MoveGCL 框架，通过生成式持续学习实现协作式和去中心化的移动科学。MoveGCL 使数据持有者能够在不妥协个人隐私的前提下共同演化基石模型。MoveGCL 的核心在于其能够从生成式教师派生出的合成轨迹进行重放，并利用面向移动模式的混合专家（Mixture-of-Experts, MoE）架构。这允许模型封装多样化城市结构的独特特征，同时缓解知识侵蚀（灾难性遗忘）的风险。通过专门的层级式渐进适应策略，MoveGCL 确保在持续集成新城市领域时实现稳定收敛。我们的实验在六个全球城市数据集上表明，MoveGCL 能够实现与联合训练相当的性能——此前在数据孤岛条件下尚不可实现。本工作为开放式移动科学提供了可扩展、隐私保护的路径，使研究人员能够通过跨机构 AI 协作来应对全球可持续发展挑战。为促进可重复性和后续研究，我们已在 \color{blue}{https://github.com/tsinghua-fib-lab/MoveGCL} 上发布代码与模型。
引用
@article{arxiv.2506.06694,
title = {Breaking Data Silos: Towards Open and Scalable Mobility Foundation Models via Generative Continual Learning},
author = {Yuan Yuan and Yukun Liu and Chonghua Han and Jie Feng and Yong Li},
journal= {arXiv preprint arXiv:2506.06694},
year = {2025}
}