ST-ProC：一种用于鲁棒半监督出行方式识别的图原型框架
机器学习
2025-11-18 v1 人工智能
摘要
从GPS轨迹中识别出行方式（TMI）对城市智能至关重要，但受到标注成本高昂的制约，导致严重的标签稀缺。主流的半监督学习（SSL）方法不适合此任务，因为它们遭受灾难性的确认偏差并忽略了内在的数据流形。我们提出ST-ProC，一种新颖的图原型多目标SSL框架来解决这些局限性。我们的框架将图原型核心与基础SSL支持协同结合。该核心通过图正则化、原型锚定以及一种新颖的、边界感知的伪标签策略来主动拒绝噪声，从而利用数据流形。该核心由基础对比损失和教师-学生一致性损失支持和稳定，确保高质量的表示和鲁棒的优化。ST-ProC以显著优势优于所有基线，证明了其在真实世界稀疏标签环境中的有效性，其性能比FixMatch等最先进方法提升了21.5%。
引用
@article{arxiv.2511.13702,
title = {ST-ProC: A Graph-Prototypical Framework for Robust Semi-Supervised Travel Mode Identification},
author = {Luyao Niu and Nuoxian Huang},
journal= {arXiv preprint arXiv:2511.13702},
year = {2025}
}