論文の概要: Comparing merging behaviors observed in naturalistic data with behaviors
generated by a machine learned model
- arxiv url: http://arxiv.org/abs/2104.10496v1
- Date: Wed, 21 Apr 2021 12:31:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-22 14:20:46.638861
- Title: Comparing merging behaviors observed in naturalistic data with behaviors
generated by a machine learned model
- Title（参考訳）: 自然データに観測される行動と機械学習モデルによって生成された行動の比較
- Authors: Aravinda Ramakrishnan Srinivasan, Mohamed Hasan, Yi-Shin Lin, Matteo
Leonetti, Jac Billington, Richard Romano, Gustav Markkula
- Abstract要約: 道路走行を事例として検討し,2つの慣れ親しんだ行動現象の存在を定量的に示すための指標を提案する。
最先端機械学習モデルの出力に全く同じ測定値を適用することで、モデルは前者の現象を再現できるが後者は再現できないことを示した。
- 参考スコア（独自算出の注目度）: 4.879725885276143
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: There is quickly growing literature on machine-learned models that predict
human driving trajectories in road traffic. These models focus their learning
on low-dimensional error metrics, for example average distance between
model-generated and observed trajectories. Such metrics permit relative
comparison of models, but do not provide clearly interpretable information on
how close to human behavior the models actually come, for example in terms of
higher-level behavior phenomena that are known to be present in human driving.
We study highway driving as an example scenario, and introduce metrics to
quantitatively demonstrate the presence, in a naturalistic dataset, of two
familiar behavioral phenomena: (1) The kinematics-dependent contest, between
on-highway and on-ramp vehicles, of who passes the merging point first. (2)
Courtesy lane changes away from the outermost lane, to leave space for a
merging vehicle. Applying the exact same metrics to the output of a
state-of-the-art machine-learned model, we show that the model is capable of
reproducing the former phenomenon, but not the latter. We argue that this type
of behavioral analysis provides information that is not available from
conventional model-fitting metrics, and that it may be useful to analyze (and
possibly fit) models also based on these types of behavioral criteria.
- Abstract（参考訳）: 道路交通における人間の運転軌跡を予測する機械学習モデルに関する文献が急速に増えている。
これらのモデルは、モデル生成と観測された軌道の平均距離など、低次元のエラーメトリックに学習を集中させる。
このような指標はモデルの相対的な比較を許すが、例えば、人間の運転で見られる高レベルの行動現象の観点から、モデルが実際にどれだけ人間の行動に近づいたかを明確に解釈できない。
本研究は,高速道路走行を事例として検討し,自然主義的データセットにおいて,(1)車載車と車載車の間でキネマティクスに依存した競技が最初にマージポイントを突破する2つの行動現象の存在を定量的に示す指標を紹介した。
(2)車線は最外車線から離れ、合併車両のスペースを空けるように変更する。
最先端機械学習モデルの出力に全く同じ測定値を適用することで、モデルは前者の現象を再現できるが後者は再現できないことを示した。
このタイプの行動分析は、従来のモデル適合指標から得られない情報を提供し、そのような行動基準に基づいてモデルを分析する(そしておそらく適合する)のに有用である、と我々は主張する。
関連論文リスト
- Causal Estimation of Memorisation Profiles [58.20086589761273]
言語モデルにおける記憶の理解は、実践的および社会的意味を持つ。
覚書化(英: Memorisation)とは、モデルがそのインスタンスを予測できる能力に対して、あるインスタンスでトレーニングを行うことによる因果的影響である。
本稿では,計量学の差分差分設計に基づく,新しい,原理的,効率的な記憶推定法を提案する。
論文 参考訳（メタデータ） (2024-06-06T17:59:09Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Using Models Based on Cognitive Theory to Predict Human Behavior in
Traffic: A Case Study [4.705182901389292]
本研究では,ギャップ受容シナリオにおける人間の行動予測のための認知的確証のある新しいモデルの有用性について検討する。
我々は、このモデルが確立されたデータ駆動予測モデルと競合したり、さらに優れていることを示す。
論文 参考訳（メタデータ） (2023-05-24T14:27:00Z) - Benchmark for Models Predicting Human Behavior in Gap Acceptance
Scenarios [4.801975818473341]
我々は、どんなモデルでも、どんなメトリクスでも、どんなシナリオでも、容易に評価できるフレームワークを開発します。
次に、このフレームワークを最先端の予測モデルに適用する。
論文 参考訳（メタデータ） (2022-11-10T09:59:38Z) - Are Neural Topic Models Broken? [81.15470302729638]
トピックモデルの自動評価と人的評価の関係について検討する。
ニューラルトピックモデルは、確立された古典的手法と比較して、両方の点においてより悪くなる。
論文 参考訳（メタデータ） (2022-10-28T14:38:50Z) - IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction [24.94160059351764]
ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
論文 参考訳（メタデータ） (2022-10-20T02:24:27Z) - Beyond RMSE: Do machine-learned models of road user interaction produce
human-like behavior? [12.378231329297137]
自然主義高速道路運転データセットにおける3つの異なる行動現象の存在を示すために,定量的な指標を導入する。
同じ測定値を用いて3つの機械学習モデルの挙動を解析する。
論文 参考訳（メタデータ） (2022-06-22T14:04:39Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳（メタデータ） (2021-10-11T14:24:15Z) - Why do classifier accuracies show linear trends under distribution
shift? [58.40438263312526]
あるデータ分布上のモデルの精度は、別の分布上の精度のほぼ線形関数である。
2つのモデルが予測で一致する確率は、精度レベルだけで推測できるものよりも高いと仮定します。
分布シフトの大きさが大きければ, 2 つの分布のモデルを評価する場合, 線形傾向が生じなければならない。
論文 参考訳（メタデータ） (2020-12-31T07:24:30Z) - To what extent do human explanations of model behavior align with actual
model behavior? [91.67905128825402]
モデル推論決定の人間による説明が、モデルが実際にこれらの決定を下す方法と一致する程度を調べた。
自然言語の人間の説明が入力語に対するモデル感度とどのように一致するかを定量化する2つのアライメント指標を定義した。
モデルと人間の説明との整合は、NLI上のモデルの精度によって予測されないことが判明した。
論文 参考訳（メタデータ） (2020-12-24T17:40:06Z) - Evaluation metrics for behaviour modeling [2.616915680939834]
模倣学習を用いて学習した行動生成モデルの評価と比較のための指標を提案し,検討する。
これらの基準は、行動におけるより長い時間的関係を考察し、振る舞いが本質的に予測不可能な性質を持つ場合と関係し、モデルによって生成された行動の全体分布におけるバイアスを強調する。
提案手法は, 生物学者の行動に関する直観と一致し, モデルの評価, バイアスの理解, 新たな研究方向性の提案を可能にした。
論文 参考訳（メタデータ） (2020-07-23T23:47:24Z)
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。