論文の概要: Cause-and-Effect Analysis of ADAS: A Comparison Study between Literature Review and Complaint Data

• arxiv url: http://arxiv.org/abs/2208.00249v1
• Date: Sat, 30 Jul 2022 15:15:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-02 13:29:00.447979
• Title: Cause-and-Effect Analysis of ADAS: A Comparison Study between Literature Review and Complaint Data
• Title（参考訳）: ADASの原因・影響分析:文献レビューと文献データの比較検討
• Authors: Jackie Ayoub, Zifei Wang, Meitang Li, Huizhong Guo, Rini Sherony, Shan Bao, Feng Zhou
• Abstract要約: 本研究では,先進運転支援システムの限界と解決策について検討した。 そこでは、人的要因、環境要因、車両要因を含むADASの類似のカテゴリーを特定した。
• 参考スコア（独自算出の注目度）: 6.100616948723054
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced driver assistance systems (ADAS) are designed to improve vehicle safety. However, it is difficult to achieve such benefits without understanding the causes and limitations of the current ADAS and their possible solutions. This study 1) investigated the limitations and solutions of ADAS through a literature review, 2) identified the causes and effects of ADAS through consumer complaints using natural language processing models, and 3) compared the major differences between the two. These two lines of research identified similar categories of ADAS causes, including human factors, environmental factors, and vehicle factors. However, academic research focused more on human factors of ADAS issues and proposed advanced algorithms to mitigate such issues while drivers complained more of vehicle factors of ADAS failures, which led to associated top consequences. The findings from these two sources tend to complement each other and provide important implications for the improvement of ADAS in the future.
• Abstract（参考訳）: 高度な運転支援システム (ADAS) は車両の安全性を向上させるために設計された。 しかし、現在のADASとそのソリューションの原因や限界を理解することなく、そのような利益を達成することは困難である。 この研究 1)文献レビューを通じてADASの限界と解決策を検討した。 2)自然言語処理モデルを用いた消費者苦情によるADASの原因と効果を特定し, 3) 両者の主な相違点を比較した。 これらの2つの研究は、人的要因、環境要因、車両要因など、ADASの類似したカテゴリーを特定した。 しかし、学術研究はadas問題の人的要因に重点を置いており、運転者がadasの故障の車両的要因に不満を訴える一方で、そのような問題を緩和するための高度なアルゴリズムを提案した。 これら2つの情報源からの知見は互いに補完し合っており、将来的なadasの改善に重要な意味を持つ。

関連論文リスト

• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
  強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。 本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。 これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
  論文  参考訳（メタデータ） (2024-07-17T09:45:27Z)
• The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
  常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。 その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。 本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
  論文  参考訳（メタデータ） (2024-06-27T16:30:50Z)
• Feasibility of Identifying Factors Related to Alzheimer's Disease and Related Dementia in Real-World Data [56.7069469207376]
  537例から10項目で477の危険因子を抽出した。 AD/ADRDの遺伝子検査は、まだ一般的ではなく、構造化EHRと非構造化EHRの両方で文書化されていない。 AD/ADRDリスクファクタに関する継続的な研究を考えると、NLP法による文献マイニングは、私たちの知識マップを自動的に更新するソリューションを提供する。
  論文  参考訳（メタデータ） (2024-02-03T18:17:19Z)
• Unpacking Human-AI Interaction in Safety-Critical Industries: A Systematic Literature Review [48.052150453947405]
  文献でHAIIを記述するために1つの用語は使われていない。 HAIIは、ユーザ関連の主観的指標で最もよく測定される。 研究者と開発者はHAIIの用語を体系化する必要がある。
  論文  参考訳（メタデータ） (2023-10-05T08:57:17Z)
• Application of Causal Inference to Analytical Customer Relationship Management in Banking and Insurance [6.228766191647919]
  統計学において、因果関係は長年研究され、応用されてきたが、人工知能(AI)についてはあまり詳細には研究されていない。 本研究では、分析的顧客関係管理問題を解決するための説明可能性を提供するために、因果推論の原則を適用した。 ローンのデフォルト、保険詐欺検出、クレジットカード詐欺検出データセットの良質な対策が作成された。
  論文  参考訳（メタデータ） (2022-08-19T05:57:58Z)
• Variational Auto-Encoder Architectures that Excel at Causal Inference [26.731576721694648]
  観測データから因果効果を推定することは、多くの種類の決定を下す上で重要である。 この課題に対処する1つのアプローチは、データの基礎となる要素の分解された表現を学習することである。 本稿では,変分オートエンコーダの最近の進歩を基盤とした生成的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-11-11T22:37:43Z)
• Generalizing Fairness: Discovery and Mitigation of Unknown Sensitive Attributes [5.665283675533071]
  本稿では,特定のデータセットから個々のセマンティックセンシティブな要因を分離し,その特徴付けを行う手法について検討する。 また、通常、社会的に関係のある要素にのみ対応し、AIの脱感作に対処するフェアネスの是正も行います。 道路標識 (GTSRB) と顔画像 (CelebA) のデータセットを用いた実験では, この方式を用いることの約束を示す。
  論文  参考訳（メタデータ） (2021-07-28T20:18:08Z)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)

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。