論文の概要: Conditional Latent Block Model: a Multivariate Time Series Clustering Approach for Autonomous Driving Validation

• arxiv url: http://arxiv.org/abs/2008.00946v1
• Date: Mon, 3 Aug 2020 15:26:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 05:46:29.683543
• Title: Conditional Latent Block Model: a Multivariate Time Series Clustering Approach for Autonomous Driving Validation
• Title（参考訳）: 条件付き潜在ブロックモデル:自律運転検証のための多変量時系列クラスタリングアプローチ
• Authors: Etienne Goffinet, Anthony Coutant, Mustapha Lebbah, Hanane Azzag and Lo\"ic Giraldi
• Abstract要約: 本稿では,高次元時系列解析に適応した新しいクラスタリング手法を提案する。 FunCLBMモデルは最近提案された機能的遅延ブロックモデルを拡張し、行と列クラスタ間の依存関係構造を作成することができる。 シミュレーションと実例のRenaultデータセットによる実験は、提案ツールの有効性を示している。
• 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: Autonomous driving systems validation remains one of the biggest challenges car manufacturers must tackle in order to provide safe driverless cars. The high complexity stems from several factors: the multiplicity of vehicles, embedded systems, use cases, and the very high required level of reliability for the driving system to be at least as safe as a human driver. In order to circumvent these issues, large scale simulations reproducing this huge variety of physical conditions are intensively used to test driverless cars. Therefore, the validation step produces a massive amount of data, including many time-indexed ones, to be processed. In this context, building a structure in the feature space is mandatory to interpret the various scenarios. In this work, we propose a new co-clustering approach adapted to high-dimensional time series analysis, that extends the standard model-based co-clustering. The FunCLBM model extends the recently proposed Functional Latent Block Model and allows to create a dependency structure between row and column clusters. This structured partition acts as a feature selection method, that provides several clustering views of a dataset, while discriminating irrelevant features. In this workflow, times series are projected onto a common interpolated low-dimensional frequency space, which allows to optimize the projection basis. In addition, FunCLBM refines the definition of each latent block by performing block-wise dimension reduction and feature selection. We propose a SEM-Gibbs algorithm to infer this model, as well as a dedicated criterion to select the optimal nested partition. Experiments on both simulated and real-case Renault datasets shows the effectiveness of the proposed tools and the adequacy to our use case.
• Abstract（参考訳）: 自動運転システムの検証は、自動車メーカーが安全な自動運転車を提供するために取り組むべき最大の課題の1つだ。 高複雑性は、車両の多重性、組込みシステム、ユースケース、運転システムが人間ドライバーと同じくらい安全であるために必要な信頼性の非常に高いレベルなど、いくつかの要因に起因している。 これらの問題を回避するために、この膨大な物理条件を再現する大規模なシミュレーションが、ドライバーレス車をテストするために集中的に使用されている。 したがって、検証ステップは、処理すべき多くの時間インデクシングデータを含む膨大なデータを生成する。 この文脈では、機能空間の構造を構築するには、様々なシナリオを解釈する必要がある。 本研究では,高次元時系列解析に適応した新しいコクラスタリング手法を提案する。 FunCLBMモデルは最近提案された機能的遅延ブロックモデルを拡張し、行と列クラスタ間の依存関係構造を作成することができる。 この構造化パーティションは、無関係な特徴を識別しながら、データセットの複数のクラスタリングビューを提供する機能選択方法として機能する。 このワークフローでは、時系列は共通の補間された低次元周波数空間に投影され、射影基底を最適化することができる。 さらに、FunCLBMはブロック次元の縮小と特徴選択を行うことで、各潜在ブロックの定義を洗練する。 本稿では,このモデルを推定するsem-gibbsアルゴリズムと,最適ネスト分割を選択するための専用基準を提案する。 シミュレーションおよび実ケースのRenaultデータセットの実験は、提案ツールの有効性とユースケースの妥当性を示している。

関連論文リスト

• On-Road Object Importance Estimation: A New Dataset and A Model with Multi-Fold Top-Down Guidance [70.80612792049315]
  本稿では,交通オブジェクト重要度(TOI)という,新しい大規模データセットを提案する。 ボトムアップ機能とマルチフォールドトップダウンガイダンスを統合するモデルを提案する。 我々のモデルは最先端の手法を大きなマージンで上回る。
  論文  参考訳（メタデータ） (2024-11-26T06:37:10Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• High-dimensional variable clustering based on maxima of a weakly dependent random process [1.1999555634662633]
  本稿では,Asymptotic Independent Block (AI-block)モデルと呼ばれる,変数クラスタリングのための新しいモデルのクラスを提案する。 このモデルのクラスは特定可能であり、つまり、分割の間に部分的な順序を持つ極大要素が存在し、統計的推測が可能であることを意味する。 また,変数のクラスタを列挙するチューニングパラメータに依存するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-02T08:24:26Z)
• A Deep Neural Networks ensemble workflow from hyperparameter search to inference leveraging GPU clusters [0.0]
  AutoMLは、定性的予測を達成するために、ディープニューラルネットワーク(DNN)のアンサンブルを自動的に構築することを目指している。 我々は,より正確で多様な個別モデルのライブラリを構築し,アンサンブルを構築するための新しいAutoMLを提案する。 高精度なアンサンブルを生成するために,多目的グリードアルゴリズムに基づく新しいアンサンブル選択法を提案する。
  論文  参考訳（メタデータ） (2022-08-30T08:04:19Z)
• Switchable Representation Learning Framework with Self-compatibility [50.48336074436792]
  自己整合性(SFSC)を考慮した交換可能な表現学習フレームワークを提案する。 SFSCは1つのトレーニングプロセスを通じて、異なる能力を持つ一連の互換性のあるサブモデルを生成する。 SFSCは評価データセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-06-16T16:46:32Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Differentiable Neural Input Search for Recommender Systems [26.88124270897381]
  Differentiable Neural Input Search (DNIS) は、より柔軟な空間における混合特徴埋め込み次元を探索する手法である。 DNISはモデルに依存しないため、既存の潜在因子モデルとシームレスに統合して推奨することができる。
  論文  参考訳（メタデータ） (2020-06-08T10:43:59Z)
• ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings [54.33327082243022]
  ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
  論文  参考訳（メタデータ） (2020-03-29T09:06:28Z)
• Stepwise Model Selection for Sequence Prediction via Deep Kernel Learning [100.83444258562263]
  本稿では,モデル選択の課題を解決するために,新しいベイズ最適化(BO)アルゴリズムを提案する。 結果として得られる複数のブラックボックス関数の最適化問題を協調的かつ効率的に解くために,ブラックボックス関数間の潜在的な相関を利用する。 我々は、シーケンス予測のための段階的モデル選択(SMS)の問題を初めて定式化し、この目的のために効率的な共同学習アルゴリズムを設計し、実証する。
  論文  参考訳（メタデータ） (2020-01-12T09:42:19Z)

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。