面向可变长度轨迹的长度感知对抗训练：购物路径的数字孪生体

我们研究关于\emph{可变长度轨迹}——具有关联时间戳的访问位置/项目序列——的生成式建模，以支持下游仿真与反事实分析。一个常见的实际问题是，当轨迹长度高度异构时，标准的 mini-batch 训练可能不稳定，这反过来会降低\emph{分布匹配}用于轨迹派生统计量。我们提出了\textbf{长度感知抽样 (LAS)}，这是一种简单的批量策略，通过按长度对轨迹进行分组并从单个长度桶中抽样来减少批内长度异构性（并使更新更一致），而不改变模型类别。我们将 LAS 集成到条件轨迹 GAN 中，加入辅助时间对齐损失，并提供（i）在轻度有界性假设下，对派生变量的分布层面保证，以及（ii）解释 LAS 改善分布匹配的 IPM/瓦斯森斯塔德机制——即通过消除仅基于长度的捷径评论者并针对组间差异进行目标化。经验上，LAS 在购物者轨迹的多购物场数据集以及 diverse public sequence 数据集（GPS、教育、电子商务和电影）上， consistently 改善派生变量分布的匹配，在数据集特定指标上 outperform 随机抽样。