迈向鲁棒的轨迹表示：用因果学习隔离环境混杂因素
机器学习
2024-04-23 v1 人工智能
摘要
轨迹建模是指表征人类移动行为，是理解移动模式的关键步骤。然而，现有研究通常忽略地理空间背景的混杂效应，导致学习到虚假相关性且泛化能力有限。为弥补这一差距，我们首先构建了一个结构因果模型（SCM），从因果角度解读轨迹表示学习过程。基于SCM，我们进一步提出了一个基于因果学习的轨迹建模框架（TrajCL），利用后门调整理论作为干预工具，消除地理空间背景与轨迹之间的虚假相关性。在两个真实世界数据集上的大量实验证明，TrajCL显著提升了轨迹分类任务的性能，同时展示了优越的泛化能力和可解释性。
引用
@article{arxiv.2404.14073,
title = {Towards Robust Trajectory Representations: Isolating Environmental Confounders with Causal Learning},
author = {Kang Luo and Yuanshao Zhu and Wei Chen and Kun Wang and Zhengyang Zhou and Sijie Ruan and Yuxuan Liang},
journal= {arXiv preprint arXiv:2404.14073},
year = {2024}
}
备注
The paper has been accepted by IJCAI 2024