論文の概要: Scenic: A Language for Scenario Specification and Data Generation
- arxiv url: http://arxiv.org/abs/2010.06580v1
- Date: Tue, 13 Oct 2020 17:58:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 23:20:35.900310
- Title: Scenic: A Language for Scenario Specification and Data Generation
- Title（参考訳）: Scenic: シナリオ仕様とデータ生成のための言語
- Authors: Daniel J. Fremont and Edward Kim and Tommaso Dreossi and Shromona
Ghosh and Xiangyu Yue and Alberto L. Sangiovanni-Vincentelli and Sanjit A.
Seshia
- Abstract要約: 本稿では,サイバー物理システムの設計と解析のための新しい確率型プログラミング言語を提案する。
本稿では,どの時点でも環境が「舞台」である自律走行車やロボットなどのシステムに焦点をあてる。
我々は、シーン上の分布とエージェントの振る舞いを時間とともに記述するドメイン固有言語、Scenicを設計する。
- 参考スコア（独自算出の注目度）: 17.07493567658614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new probabilistic programming language for the design and
analysis of cyber-physical systems, especially those based on machine learning.
Specifically, we consider the problems of training a system to be robust to
rare events, testing its performance under different conditions, and debugging
failures. We show how a probabilistic programming language can help address
these problems by specifying distributions encoding interesting types of
inputs, then sampling these to generate specialized training and test data.
More generally, such languages can be used to write environment models, an
essential prerequisite to any formal analysis. In this paper, we focus on
systems like autonomous cars and robots, whose environment at any point in time
is a 'scene', a configuration of physical objects and agents. We design a
domain-specific language, Scenic, for describing scenarios that are
distributions over scenes and the behaviors of their agents over time. As a
probabilistic programming language, Scenic allows assigning distributions to
features of the scene, as well as declaratively imposing hard and soft
constraints over the scene. We develop specialized techniques for sampling from
the resulting distribution, taking advantage of the structure provided by
Scenic's domain-specific syntax. Finally, we apply Scenic in a case study on a
convolutional neural network designed to detect cars in road images, improving
its performance beyond that achieved by state-of-the-art synthetic data
generation methods.
- Abstract（参考訳）: 本稿では,サイバー物理システムの設計と解析,特に機械学習に基づく新しい確率型プログラミング言語を提案する。
具体的には,レアなイベントに対して堅牢なシステムのトレーニングや,異なる条件下でのパフォーマンステスト,デバッグ障害などの問題を考える。
興味ある入力をエンコードする分布を特定し、それらをサンプリングして特別なトレーニングやテストデータを生成することで、確率的プログラミング言語がこれらの問題にどのように対処できるかを示す。
より一般的には、そのような言語は環境モデルを書くのに使うことができる。
本稿では,自律走行車やロボットといった,任意の時点における環境が,物理的物体やエージェントの構成である「シーン」であるシステムに焦点を当てる。
我々は、シーン上の分布とエージェントの振る舞いを時間とともに記述するドメイン固有言語、Scenicを設計する。
確率的プログラミング言語として、Scenicはシーンの特徴に分布を割り当てるだけでなく、シーン上のハードでソフトな制約を宣言的に課すことができる。
本研究では,maiseのドメイン特化構文による構造を生かして,結果の分布からサンプリングする特殊な手法を開発した。
最後に,道路画像中の車を検出する畳み込みニューラルネットワークのケーススタディにおいて,ランドスケープを適用し,最先端の合成データ生成手法による性能向上を実現した。
関連論文リスト
- ScenicNL: Generating Probabilistic Scenario Programs from Natural Language [22.314264838832287]
自然言語からシナリオプログラムを作成するためのAIシステムであるScenarioNLを提案する。
我々はこれらのプログラムを警察の事故報告から作成する。
我々は過去5年間にカリフォルニアで利用可能な自動運転車の事故報告について、我々のシステムを評価してきた。
論文 参考訳（メタデータ） (2024-05-03T23:06:31Z) - LaMPP: Language Models as Probabilistic Priors for Perception and Action [38.07277869107474]
非言語的知覚と制御タスクに言語モデルを活用する方法を示す。
提案手法は,確率的グラフィカルモデルにおけるラベリングと意思決定を推論として用いている。
論文 参考訳（メタデータ） (2023-02-03T15:14:04Z) - Leveraging Natural Supervision for Language Representation Learning and
Generation [8.083109555490475]
自然発生型監視を用いて,ニューラルネットワークのトレーニングと評価を改善するための3行の作業について述べる。
まず,NLPタスクに対する事前学習言語モデルの性能向上を支援するために,自己指導型学習損失について検討する。
文表現における意味論と構文のアンタングル化にパラフレーズペアを用いるフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-21T17:26:03Z) - Pre-Trained Language Models for Interactive Decision-Making [72.77825666035203]
目的と観測を埋め込みのシーケンスとして表現する模倣学習の枠組みを述べる。
このフレームワークは様々な環境にまたがって効果的な一般化を可能にすることを実証する。
新たなゴールや新しいシーンを含むテストタスクでは、言語モデルによる初期化ポリシーはタスク完了率を43.6%改善する。
論文 参考訳（メタデータ） (2022-02-03T18:55:52Z) - Addressing the IEEE AV Test Challenge with Scenic and VerifAI [10.221093591444731]
本稿では,IEEE AVテストチャレンジのシミュレーションにおいて,自律走行車(AV)のテストに対する我々の公式なアプローチを要約する。
我々は,知的サイバー物理システムのための形式駆動型シミュレーションに関するこれまでの研究を生かした,系統的なテストフレームワークを実証する。
論文 参考訳（メタデータ） (2021-08-20T04:51:27Z) - Towards Zero-shot Language Modeling [90.80124496312274]
人間の言語学習に誘導的に偏りを持つニューラルモデルを構築した。
類型的に多様な訓練言語のサンプルからこの分布を推測する。
我々は、保留言語に対する遠隔監視として、追加の言語固有の側情報を利用する。
論文 参考訳（メタデータ） (2021-08-06T23:49:18Z) - FDMT: A Benchmark Dataset for Fine-grained Domain Adaptation in Machine
Translation [53.87731008029645]
機械翻訳(FDMT)における実世界のきめ細かいドメイン適応タスクを提案する。
FDMTデータセットは、自動運転車、AI教育、リアルタイムネットワーク、スマートフォンの4つのサブドメインで構成されている。
この新しい設定で定量的な実験と深い分析を行い、きめ細かいドメイン適応タスクをベンチマークします。
論文 参考訳（メタデータ） (2020-12-31T17:15:09Z) - Rearrangement: A Challenge for Embodied AI [229.8891614821016]
Embodied AIの研究と評価のためのフレームワークについて述べる。
我々の提案は正統的な課題である再配置に基づいている。
4つの異なるシミュレーション環境における再配置シナリオの実験的なテストベッドについて述べる。
論文 参考訳（メタデータ） (2020-11-03T19:42:32Z) - Linguistic Typology Features from Text: Inferring the Sparse Features of
World Atlas of Language Structures [73.06435180872293]
我々は、バイト埋め込みと畳み込み層に基づく繰り返しニューラルネットワーク予測器を構築する。
様々な言語型の特徴を確実に予測できることを示す。
論文 参考訳（メタデータ） (2020-04-30T21:00:53Z) - Synthetic Datasets for Neural Program Synthesis [66.20924952964117]
本稿では,プログラムと仕様の両方で合成データ分布のバイアスを制御し,評価するための新しい手法を提案する。
そこで我々は,Karel DSLと小さなCalculator DSLを用いて,これらの分布上でのディープネットワークのトレーニングにより,分散一般化性能が向上することが実証された。
論文 参考訳（メタデータ） (2019-12-27T21:28:10Z)
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。