論文の概要: An Evaluation of Knowledge Graph Embeddings for Autonomous Driving Data:
Experience and Practice
- arxiv url: http://arxiv.org/abs/2003.00344v1
- Date: Sat, 29 Feb 2020 20:33:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 19:57:53.316903
- Title: An Evaluation of Knowledge Graph Embeddings for Autonomous Driving Data:
Experience and Practice
- Title（参考訳）: 自動運転データのための知識グラフ埋め込みの評価:経験と実践
- Authors: Ruwan Wickramarachchi, Cory Henson, Amit Sheth
- Abstract要約: 自律運転(AD)業界は、車載センサーから生成される大量の異種データを管理するために知識グラフ(KG)の利用を検討している。
知識グラフ埋め込み(KGE)に関する最近の研究により、機械学習モデルの予測性能が向上することが示されている。
本研究では,自律運転データに対するKGEの生成と評価について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The autonomous driving (AD) industry is exploring the use of knowledge graphs
(KGs) to manage the vast amount of heterogeneous data generated from vehicular
sensors. The various types of equipped sensors include video, LIDAR and RADAR.
Scene understanding is an important topic in AD which requires consideration of
various aspects of a scene, such as detected objects, events, time and
location. Recent work on knowledge graph embeddings (KGEs) - an approach that
facilitates neuro-symbolic fusion - has shown to improve the predictive
performance of machine learning models. With the expectation that
neuro-symbolic fusion through KGEs will improve scene understanding, this
research explores the generation and evaluation of KGEs for autonomous driving
data. We also present an investigation of the relationship between the level of
informational detail in a KG and the quality of its derivative embeddings. By
systematically evaluating KGEs along four dimensions -- i.e. quality metrics,
KG informational detail, algorithms, and datasets -- we show that (1) higher
levels of informational detail in KGs lead to higher quality embeddings, (2)
type and relation semantics are better captured by the semantic transitional
distance-based TransE algorithm, and (3) some metrics, such as coherence
measure, may not be suitable for intrinsically evaluating KGEs in this domain.
Additionally, we also present an (early) investigation of the usefulness of
KGEs for two use-cases in the AD domain.
- Abstract（参考訳）: 自動運転(ad)産業は、車載センサから生成される膨大な異種データを管理するための知識グラフ(kgs)の利用を検討している。
各種装備センサーには、ビデオ、LIDAR、RADARなどがある。
シーン理解は、検出されたオブジェクト、イベント、時間、場所など、シーンのさまざまな側面を考慮する必要があるadの重要なトピックである。
知識グラフ埋め込み(KGE)に関する最近の研究は、ニューロシンボリック融合を促進するアプローチであり、機械学習モデルの予測性能を改善することを示している。
本研究は,KGEによるニューロシンボリック融合がシーン理解を改善することを期待して,自律運転データに対するKGEの生成と評価について検討する。
また,KGにおける情報詳細度レベルと,その微分埋め込みの品質との関係について検討する。
4次元のKGE(品質指標、KG情報詳細、アルゴリズム、データセット)を体系的に評価することにより、(1)KGの高レベルな情報詳細がより高い品質の埋め込みをもたらすこと、(2)タイプおよび関連セマンティクスがセマンティックな遷移距離ベースTransEアルゴリズムによりより捕えられること、(3)コヒーレンス測度のようないくつかのメトリクスは、この領域でKGEを本質的に評価するのに適していないこと、が示される。
さらに、ADドメインにおける2つのユースケースに対するKGEの有用性について(最近)検討する。
関連論文リスト
- Visual Representation Learning Guided By Multi-modal Prior Knowledge [29.954639194410586]
分布シフト下での一般化を改善するために,知識誘導型視覚表現学習(KGV)を提案する。
我々は,1)階層的および関連性を持つ知識グラフ(KG),2)KGで意味的に表現された視覚要素の合成画像を生成する。
KGVは全ての実験のベースラインよりも高い精度とデータ効率を示す。
論文 参考訳（メタデータ） (2024-10-21T13:06:38Z) - Trustworthy Automated Driving through Qualitative Scene Understanding and Explanations [15.836913530330786]
本稿では,都市移動におけるシーン理解のための統一的シンボルと定性表現である定性説明可能グラフ(QXG)を提案する。
QXGは、センサーデータと機械学習モデルを使用して、自動車両環境の解釈を可能にする。
リアルタイムでインクリメンタルに構築することができ、車内説明やリアルタイム意思決定のための汎用的なツールになります。
論文 参考訳（メタデータ） (2024-01-29T11:20:19Z) - Domain Adaptation for Large-Vocabulary Object Detectors [103.16365373806829]
本稿では,CLIPにおける暗黙的知識グラフ(KG)を利用した知識グラフ蒸留手法であるKGDについて述べる。
複数の広く採用されている検出ベンチマークに対する実験により、KGDは最先端技術よりも大きなマージンで一貫して優れていることが示された。
論文 参考訳（メタデータ） (2024-01-13T03:51:18Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-12-13T23:06:30Z) - Schema First! Learn Versatile Knowledge Graph Embeddings by Capturing
Semantics with MASCHInE [3.174882428337821]
近年,知識グラフ埋め込みモデル (KGEMs) が注目されている。
本研究では,RDF/S情報を活用するKGの小型改良版であるプロトグラフを設計する。
学習されたプロトグラフベースの埋め込みは、KGのセマンティクスをカプセル化することを目的としており、KGEの学習に利用することができる。
論文 参考訳（メタデータ） (2023-06-06T13:22:54Z) - How Does Knowledge Graph Embedding Extrapolate to Unseen Data: a
Semantic Evidence View [13.575052133743505]
我々は,知識グラフ埋め込み(KGE)が未知のデータにどのように当てはまるかを研究する。
また,セマンティック・エビデンス・アウェアメント・グラフニューラルネット(SE-GNN)と呼ばれる新しいGNNベースのKGEモデルを提案する。
論文 参考訳（メタデータ） (2021-09-24T08:17:02Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳（メタデータ） (2021-02-14T03:21:36Z) - RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。
二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。
理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
論文 参考訳（メタデータ） (2021-01-25T13:31:29Z) - Mining Implicit Entity Preference from User-Item Interaction Data for
Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。
我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。
利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-03-28T05:47:33Z) - Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。
新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文 参考訳（メタデータ） (2020-03-25T22:53:14Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。