Newest papers

GeoSplit: Selective Edge--Server Map Acquisition for Cross-User Travel-Mode Recognition

Zepu Wang, Luyao Niu, Ruolin Li, Jeff, Ban · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26707 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Сетевое обнаружение мобильности связывает локальную траекторию с удаленным геопространственным контекстом, делая решения связи частью системы прогнозирования. Мы представляем GeoSplit, рамочную рамку сервера для распознавания режима путешествия, которая отделяет полезность доказательств карты, ее обучение-время передачи и его избирательное приобретение в рабочее время. На GeoLife с 10% этикетками, мы оцениваем эти компоненты в рамках пользовательского дня и разъединения пользователя группировки. Для невиданных пользователей, согласованный контекст полной карты повышает макро-F1 с 0.7154 до 0.7864, в то время как карто-информированная дистилляция приводит к движению только учащегося в 0.7225. Через компактный интерфейс запроса, энтропия

Machine translation (Meta M2M100); the English original follows.

Abstract

Networked mobility sensing couples local trajectory inference with remote geospatial context, making communication decisions part of the prediction system. We present GeoSplit, an edge--server framework for travel-mode recognition that separates the utility of map evidence, its training-time transfer, and its selective acquisition at runtime. On GeoLife with 10% labels, we evaluate these components under user-day and user-disjoint grouping. For unseen users, aligned full-map context raises macro-F1 from 0.7154 to 0.7864, while map-informed distillation yields a motion-only student at 0.7225. Through a compact query interface, entropy gating achieves 0.7729 macro-F1 versus 0.7738 for all queries, querying 39.5% of trajectories and reducing application payload by 60.5%. Under user-day grouping, selective and all-query scores are similarly close at a 21.6% query rate. Learned value estimation and probability fusion offer no consistent improvement. These results illustrate communication-efficient edge--server inference for an intelligent transportation sensing task.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Inference, Artificial intelligence, Geospatial analysis, Trajectory, Context (archaeology)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange