論文の概要: Neurosymbolic hybrid approach to driver collision warning

• arxiv url: http://arxiv.org/abs/2203.15076v1
• Date: Mon, 28 Mar 2022 20:29:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-01 09:33:21.508600
• Title: Neurosymbolic hybrid approach to driver collision warning
• Title（参考訳）: ドライバ衝突警告に対するニューロシンボリックハイブリッドアプローチ
• Authors: Kyongsik Yun, Thomas Lu, Alexander Huyen, Patrick Hammer, Pei Wang
• Abstract要約: 自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
• 参考スコア（独自算出の注目度）: 64.02492460600905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There are two main algorithmic approaches to autonomous driving systems: (1) An end-to-end system in which a single deep neural network learns to map sensory input directly into appropriate warning and driving responses. (2) A mediated hybrid recognition system in which a system is created by combining independent modules that detect each semantic feature. While some researchers believe that deep learning can solve any problem, others believe that a more engineered and symbolic approach is needed to cope with complex environments with less data. Deep learning alone has achieved state-of-the-art results in many areas, from complex gameplay to predicting protein structures. In particular, in image classification and recognition, deep learning models have achieved accuracies as high as humans. But sometimes it can be very difficult to debug if the deep learning model doesn't work. Deep learning models can be vulnerable and are very sensitive to changes in data distribution. Generalization can be problematic. It's usually hard to prove why it works or doesn't. Deep learning models can also be vulnerable to adversarial attacks. Here, we combine deep learning-based object recognition and tracking with an adaptive neurosymbolic network agent, called the Non-Axiomatic Reasoning System (NARS), that can adapt to its environment by building concepts based on perceptual sequences. We achieved an improved intersection-over-union (IOU) object recognition performance of 0.65 in the adaptive retraining model compared to IOU 0.31 in the COCO data pre-trained model. We improved the object detection limits using RADAR sensors in a simulated environment, and demonstrated the weaving car detection capability by combining deep learning-based object detection and tracking with a neurosymbolic model.
• Abstract（参考訳）: 1つのディープニューラルネットワークが、センサー入力を直接適切な警告と駆動応答にマッピングすることを学習するエンド・ツー・エンドシステムである。 2)個々の意味的特徴を検出する独立したモジュールを組み合わせることで,システムを構成するハイブリッド認識システム。 ディープラーニングはどんな問題でも解決できると考える研究者もいるが、データが少ない複雑な環境に対処するためには、より工学的で象徴的なアプローチが必要であると考える研究者もいる。 深層学習だけでも、複雑なゲームプレイからタンパク質構造予測に至るまで、多くの分野で最先端の結果を達成している。 特に画像分類と認識では、ディープラーニングモデルは人間と同じくらい高い精度を達成している。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。 ディープラーニングモデルは脆弱性があり、データ分散の変化に非常に敏感である。 一般化は問題になりうる。 それが機能する理由を証明するのは通常困難です。 ディープラーニングモデルは、敵の攻撃にも脆弱である。 本稿では,学習に基づく物体認識と追跡を,知覚系列に基づく概念を構築し,その環境に適応可能な適応型ニューロシンボリックネットワークエージェントであるnars(non-axiomatic reasoning system)と組み合わせる。 cocoデータ事前学習モデルのiou 0.31と比較して,適応リトレーニングモデルでは0.65のiouオブジェクト認識性能が向上した。 シミュレーション環境におけるRADARセンサを用いた物体検出限界を改良し,深層学習に基づく物体検出と追跡とニューロシンボリックモデルを組み合わせることにより,ウィービング車検出能力を実証した。

関連論文リスト

• Explainable AI for Comparative Analysis of Intrusion Detection Models [20.683181384051395]
  本研究は,ネットワークトラフィックから侵入検出を行うために,各種機械学習モデルを二分分類および多クラス分類のタスクに解析する。 すべてのモデルをUNSW-NB15データセットで90%の精度でトレーニングしました。 また、Random Forestは正確さ、時間効率、堅牢性という点で最高のパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2024-06-14T03:11:01Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Ensemble neuroevolution based approach for multivariate time series anomaly detection [0.0]
  本研究では、新しいモデルやすでに知られているモデルの異常検出スコアを高めるために、神経進化手法を組み込んだフレームワークを示す。 提案フレームワークは, 異常検出深層学習モデルの大部分を, 適切な時間と完全自動モードで向上させることが可能であることを示す。
  論文  参考訳（メタデータ） (2021-08-08T07:55:07Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)
• Characterizing the Weight Space for Different Learning Models [0.0]
  ディープラーニングは、インテリジェントマシンの開発において、主要な研究領域の1つになっている。 本稿では,3つのサブセットの観点から,ディープニューラルネットワークの解空間を特徴付ける。 敵の攻撃は一般にディープニューラルネットワークよりも連想記憶モデルに対して成功していないことを示す。
  論文  参考訳（メタデータ） (2020-06-04T09:30:29Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。