研究人员开发了MIDiff，一个新颖的、基于扩散的框架，旨在生成逼真的移动使用痕迹。该方法通过使用交叉格拉姆角和场（C-GASF）将稀疏的多变量序列转换为相关图像，来解决数据稀疏性、异构变量类型和使用不平衡等挑战。MIDiff然后利用带有三重注意力的U-Net来保持时间一致性和变量依赖性，在保真度指标上实现了最先进的性能。 AI
影响 这种生成移动使用痕迹的新方法可以改进用户行为预测和应用程序推荐系统。
排序理由 该集群包含一篇详细介绍新数据生成方法的 ist 研究论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2607.14249v1 Announce Type: new Abstract: Mobile usage traces are critical for tasks such as user behavior prediction and app recommendation, yet their use is constrained by privacy restrictions and costly large-scale data collection. Although generative models perform well…