AutoPRL：用可学习视图生成器实现路径表示学习自动化
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
路径表示学习的目标是为车辆等移动对象经过的路径生成有信息量的表示，每条路径由一串相连路段构成，这类表示可支撑出行时间估计、路径排序等下游任务。自监督学习已成为该方向的主要范式，但既有方法在视图生成环节依赖启发式增强，在训练环节依赖计算开销较大的对比学习，导致视图质量不佳、训练流程效率偏低。AutoPRL 的出发点正是替换这两处：让视图生成变为可学习的过程，并降低对比训练的代价。
三个组成模块
框架由三部分构成。AutoDA 是自动数据增强模块，它用变分自编码器对每个拓扑感知的节点嵌入建模为高斯隐分布，再据此生成语义上有意义且多样的特征级路径视图，目的是减少信息损失、提升表示质量。CVDC 是跨视图解耦对比学习机制，把正样本对与负样本对的优化在节点级视图和路径级视图上拆开处理，使对比学习过程更稳定，同时改善训练效率。ACT 是自适应协同训练模块，按不确定性动态调节各项损失的权重，在多个目标之间取得平衡，以支撑高效、可扩展的训练。
实验与发表情况
论文在三个真实数据集上开展了实验，结果显示 AutoPRL 在多个下游任务上同时取得较强的效果与较高的效率，且表现保持一致。该工作已被 IEEE TKDE 2026 接收，预印本编号为 arXiv:2610.35032，提交时间为 2026 年 10 月 26 日，作者共八人。摘要层面未给出具体的性能提升幅度、参数量或运行时间数字，也未说明代码与数据的开放情况，这些细节需查阅原文。
为什么值得看
做路网路径表示、出行时间估计与路径排序的研究者，可关注其用 VAE 替代启发式增强、解耦对比学习的做法。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。