ME-POIs：移动轨迹与地点原型的联合学习目标¶

论文信息¶

字段	内容
论文链接	arXiv 2601.21149；固定 v1 全文
原文标题	Mobility-Embedded POIs: Learning What A Place Is and How It Is Used from Human Movement
公司 / 机构	一作 Maria Despoina Siampou：University of Southern California；Google Research 合作，非 Google 一作
首次公开日期	2026-01-29（arXiv v1；不声称已穷尽更早非 arXiv 版本）
原作者代码	原文 v1 及官方机构页未找到/未发布训练仓库；不据此声称全网没有实现
本地 adapter / 稳定键	`me-pois`；`adapter: null`，独立 `component_only` 损失组件
本地复现代码目录	`src/auto_research/foundation_models/google16_me_pois.py`；`scripts/run_google16_neural.py`
完整实验	原始 Veraset、SafeGraph 与 Google Maps 标签不可用，不复现（审查 DONE）；未购买数据或调用付费 embedding API

原始论文总结¶

背景与主要改动¶

原方法用访问序列编码器连接短期轨迹与长期地点原型，并把高频地点的时段分布跨空间尺度传给稀疏地点；文本语义作为另一条对齐监督。冻结预训练表征后，再训练地图属性探针。主要机制与公式见原文 §3.2–3.6。

flowchart LR
  V[上游真实轨迹编码] --> C[访问与地点原型 InfoNCE]
  A[高频地点时段直方图] --> G[多尺度 Gaussian 传递]
  G --> S[稀疏地点 KL]
  A --> K[锚点 KL]
  T[冻结文本特征] --> X[投影后 cosine 对齐]
  C --> L[联合目标]
  S --> L
  K --> L
  X --> L

原论文关键图¶

Figure 2，原作者架构图：四项训练目标连接访问、地点原型和文本特征。当前本地只实现目标函数及分布迁移，不声称完整实现图中访问编码器与私有数据链路。图片来自原文，版权归原作者；来源与图像hash。

核心公式¶

Eq.10–11 在每个尺度内先对锚点归一化，再在尺度间取平均：

\[ \alpha^{(m)}_{sa}=\operatorname{softmax}_{a}(-\|x_s-x_a\|^2/(2\sigma_m^2)),\qquad \widetilde r_s=M^{-1}\sum_m\sum_a\alpha^{(m)}_{sa}r_a. \]

Eq.9 的负例集合是 minibatch 中不重复的地点原型，不是重复访问记录。Eq.13、15 的 KL 为 \(\operatorname{KL}(r\|q)\)，并对地点求和；共享一隐层 ReLU MLP 预测时段分布。Eq.16 对投影文本与原型求 \(1-\cos\)，Eq.17 按外部权重联合四项目标。

论文离线与线上效果¶

原文在 LA 与 Houston 的五项地图属性任务报告冻结表征探针；未报告线上 A/B。本地不读取该私有标签，不将数学诊断与论文地图结果比较。

本地复现¶

实现 transferred_visit_distribution、prototype_contrastive_loss、distribution_kl_sum 和 MobilityPrototypeLoss。接口要求调用方提供真实访问编码及文本特征；没有用随机向量冒充轨迹编码器。runner 的生成张量显式标记 fixture_only: true，仅检查概率归一化、独立公式、原型/MLP/访问梯度和外部文本冻结边界。

PYTHONPATH=src python scripts/run_google16_neural.py \
  --device cpu --seed 42 --output runs/google16-neural-cpu.json

有界 CPU/CUDA 数学组件不下载资源。同一 runner 已在 A100 执行并保存回执；GPU 完成只说明公式运行，不代表完整轨迹表征或地图能力复现。未实现 Space2Vec、Time2Vec、原访问 Transformer、私有数据预训练及五项属性训练，不接入 Evolve。

成本与数据协议¶

原文附录配置为约 53.7M 参数、20 epoch 预训练及最多100 epoch 下游训练；模型本身可单卡放下，不把“使用 V100”当高成本理由。阻碍是付费/私有移动数据、SafeGraph 与 Maps 标签及完整多 embedding 组合，因此完整实验不复现，不进入自动重试队列。当前仅为 L0/L1 公式与梯度诊断，无 validation/test 能力结论。