导语

构建鲁棒性强的表征模型可以有效地为轨迹大模型和基座模型奠定基础。此次「时序时空大模型读书会」第七期将由发起人——澳大利亚新南威尔士大学计算机学院讲师薛昊，邀请到墨尔本大学博士后研究员常晏川、新南威尔士大学博士生李立桓、中国科学院计算技术研究所硕士生陈文杰围绕“轨迹大模型：轨迹数据表征学习”主题直播分享。

直播将于北京时间7月3日晚19:00-21:00线上公开进行，欢迎感兴趣的朋友参与讨论交流！

研究领域：轨迹数据、表征学习、基座模型、深度学习、TrajCL、JEPA、TrajDPM

分享内容简介

分享内容大纲

（一）常晏川：基于深度学习方法的轨迹相似性学习

• Part 1：问题定义及研究动机

• Part 2：基于对比学习的深度学习方法 – TrajCL

• Part 3：方向思考和展望

（二）李立桓：探索JEPA在轨迹表征中的应用

• Part 1: 基于自监督学习的轨迹相似度匹配

• Part 2: 联合嵌入预测架构（JEPA）介绍

• Part 3: 用于轨迹相似度计算的联合嵌入预测架构 – T-JEPA

（三）陈文杰：轨迹表征学习与非参聚类

• Part1: 轨迹非参聚类背景概览

• Part2: 轨迹非参聚类模型 – TrajDPM

核心概念

• 基座模型 Foundation Model

• 深度学习 Deep Learning

• 轨迹相似性 Trajectory Similarity

• 轨迹查询 Trajectory query

• 轨迹相似度计算 Trajectory Similarity Calculation

• 自监督学习 Self-supervised Learning

• 联合嵌入预测架构 Joint Embedding Prediction Architecture

• 表征学习 Representative Learning

• 非参聚类 Non-parametric Clustering

• 狄利克雷高斯混合模型 Dirichlet Gaussian Mixture Model

分享人介绍

（1）主讲人：常晏川

（2）主讲人：李立桓

（3）主讲人：陈文杰

（4）主持人：薛昊

本期主要参考文献

1. Li, L., Xue, H., Song, Y. and Salim, F., 2024. T-JEPA: A Joint-Embedding Predictive Architecture for Trajectory Similarity Computation. arXiv preprint arXiv:2406.12913.
2. Chang, Y., Qi, J., Liang, Y. and Tanin, E., 2023, April. Contrastive trajectory similarity learning with dual-feature attention. In 2023 IEEE 39th International conference on data engineering (ICDE) (pp. 2933-2945). IEEE.
3. Li, X., Zhao, K., Cong, G., Jensen, C.S. and Wei, W., 2018, April. Deep representation learning for trajectory similarity computation. In 2018 IEEE 34th international conference on data engineering (ICDE) (pp. 617-628). IEEE.
4. Assran, M., Duval, Q., Misra, I., Bojanowski, P., Vincent, P., Rabbat, M., LeCun, Y. and Ballas, N., 2023. Self-supervised learning from images with a joint-embedding predictive architecture. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 15619-15629).
5. Chang, Y., Tanin, E., Cong, G., Jensen, C. S., & Qi, J. (2023). Trajectory Similarity Measurement: An Efficiency Perspective. arXiv preprint arXiv:2311.00960.
6. Chen, W., Liang, Y., Zhu, Y., Chang, Y., Luo, K., Wen, H., … & Zheng, Y. (2024). Deep learning for trajectory data management and mining: A survey and beyond. arXiv preprint arXiv:2403.14151.
7. LeCun, Y., 2022. A path towards autonomous machine intelligence version 0.9. 2, 2022-06-27. Open Review, 62(1), pp.1-62.
8. Yao D., Cong G., Zhang C., et al. Computing Trajectory Similarity in Linear Time: A Generic Seed-Guided Neural Metric Learning Approach. 2019 IEEE 35th International Conference on Data Engineering (ICDE, 2019: 1358–1369）
9. Zhang H., Zhang X., Jiang Q., et al. Trajectory similarity learning with auxiliary supervision and optimal matching. https://dl.acm.org/doi/10.5555/3491440.3491884
10. Fang Z., et al. E2DTC：An End to End Deep Trajectory Clustering Framework via Self-Training. https://ieeexplore.ieee.org/document/9458936
11. Chang J., Parallel sampling of DP mixture models using sub-clusters splits. https://dl.acm.org/doi/10.5555/2999611.2999681

12. Meitar Ronen; Shahaf E. Finder; Oren Freifeld. DeepDPM: Deep Clustering With an Unknown Number of Clusters. https://ieeexplore.ieee.org/document/9879746

直播信息

时间：

参与方式：

1、集智俱乐部 B 站免费直播，扫码可预约。

2、本期读书会公开进行，扫码即可直接获取读书会回看权限。欢迎感兴趣的朋友报名新一季时序时空大模型读书会，加入群聊，获取系列读书会回看权限，成为“Time-LLMs”社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动社区的发展。

报名成为主讲人：

点击“阅读原文”，报名读书会