SynHAT：人の活動トレースを合成するための2段階・粗密（coarse-to-fine）拡散フレームワーク

arXiv cs.AI / 2026/4/17

📰 ニュースModels & Research

共有:

要点

SynHATは、人の活動トレース（HAT）を現実的かつプライバシー保護した形で合成するための、新しい2段階の粗密（coarse-to-fine）拡散フレームワークであり、モビリティモデリングやPOI推薦などの用途を想定しています。
HATの不規則性や動的な時間間隔の問題に対し、デノージング拡散モデルと、デュアルのDrift-Jitterブランチを備えたLatent Spatio-Temporal U-Netを用いて、空間の滑らかな遷移と時間変動の両方を捉えるようにしています。
第1段階ではCoarse-HADiffが粗い粒度の時空間依存を学習し、第2段階ではBehavior Pattern Extraction、同一アーキテクチャを共有するFine-HADiff、そしてSemantic Alignmentの3ステップで出力を微細化して高精度の潜在時空間トレースを生成します。
実データ（複数都市・複数国）での大規模評価では、SynHATが既存ベースラインを大きく上回り、空間メトリクスで52%、時間メトリクスで33%の改善が確認されるとともに、忠実度・有用性・プライバシー・頑健性・スケーラビリティも検討されています。

Abstract

人間の活動痕跡（HAT: Human activity traces）は、人間の移動モデリングや嗜好点（POI）推薦など、多くの用途にとって重要である。しかし、プライバシーに関する懸念の高まりにより、真正な大規模HATデータセットへのアクセスは大幅に制限されている。近年の生成AIの進展は、そのような用途に対して、現実的でプライバシーを保護するHATを合成する新たな機会をもたらしている。それでもなお、主要な課題が2つ残っている：（i）HATは非常に不規則かつ動的であり、長く変動する時間間隔を伴うため、複雑な時空間の依存関係や根本となる分布を捉えることが難しい；そして（ii）生成モデルは計算コストが高いことが多く、そのため長期にわたる、細粒度のHAT合成は非効率である。これらの課題に対処するため、我々は新しい時空間デノイジング拡散モデルに基づく、計算効率の高い粗視化から微細化へのHAT合成フレームワークであるSynHATを提案する。第1段階では、粗視化された潜在時空間痕跡の全体的な時空間依存関係をモデル化するCoarse-HADiffを開発する。これは、デノイジング中に平滑な空間遷移と時間変動の双方を共同でモデル化するための、デュアルなDrift-Jitter分岐を備えた新しいLatent Spatio-Temporal U-Netを組み込む。第2段階では、3ステップのパイプラインとして、行動パターン抽出（Behavior Pattern Extraction）、およびCoarse-HADiffと同じアーキテクチャを共有するFine-HADiff、そして意味的アラインメント（Semantic Alignment）を導入し、第1段階の出力から細粒度の潜在時空間痕跡を生成する。データの忠実度、有用性、プライバシー、頑健性、スケーラビリティの観点でSynHATを徹底的に評価する。3か国・4都市の実世界のHATデータセットに対する実験により、SynHATが最先端のベースラインを大きく上回り、空間指標でそれぞれ52%、時間指標で33%の改善を達成することが示される。