論文の概要: Informed Priors for Knowledge Integration in Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2211.00348v1
- Date: Tue, 1 Nov 2022 09:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 13:26:41.493312
- Title: Informed Priors for Knowledge Integration in Trajectory Prediction
- Title(参考訳): 軌道予測における知識統合の事前情報
- Authors: Christian Schlauch and Nadja Klein and Christian Wirth
- Abstract要約: 本稿では,連続学習に基づく情報機械学習手法を提案する。
これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。
我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
- 参考スコア(独自算出の注目度): 0.225596179391365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Informed machine learning methods allow the integration of prior knowledge
into learning systems. This can increase accuracy and robustness or reduce data
needs. However, existing methods often assume hard constraining knowledge, that
does not require to trade-off prior knowledge with observations, but can be
used to directly reduce the problem space. Other approaches use specific,
architectural changes as representation of prior knowledge, limiting
applicability. We propose an informed machine learning method, based on
continual learning. This allows the integration of arbitrary, prior knowledge,
potentially from multiple sources, and does not require specific architectures.
Furthermore, our approach enables probabilistic and multi-modal predictions,
that can improve predictive accuracy and robustness. We exemplify our approach
by applying it to a state-of-the-art trajectory predictor for autonomous
driving. This domain is especially dependent on informed learning approaches,
as it is subject to an overwhelming large variety of possible environments and
very rare events, while requiring robust and accurate predictions. We evaluate
our model on a commonly used benchmark dataset, only using data already
available in a conventional setup. We show that our method outperforms both
non-informed and informed learning methods, that are often used in the
literature. Furthermore, we are able to compete with a conventional baseline,
even using half as many observation examples.
- Abstract(参考訳): インフォームド機械学習は、事前知識を学習システムに統合することを可能にする。
これにより精度と堅牢性が向上し、データの必要性が軽減される。
しかし、既存の手法では、事前の知識と観察とのトレードオフを必要とせず、問題空間を直接減らすために使用できる、厳しい制約のある知識をしばしば想定している。
他のアプローチでは、特定のアーキテクチャ変更を事前知識の表現として使用し、適用性を制限する。
本稿では,連続学習に基づく情報機械学習手法を提案する。
これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。
さらに,予測精度とロバスト性を向上させる確率的およびマルチモーダル予測を可能にする。
我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
このドメインは、堅牢で正確な予測を必要とする一方で、非常に多様な可能な環境と非常に稀なイベントの対象となるため、特に情報学習アプローチに依存している。
我々は、従来の設定で既に利用可能なデータのみを用いて、一般的なベンチマークデータセットでモデルを評価する。
本手法は,文献でよく用いられる非形式学習法とインフォームド学習法の両方に勝ることを示す。
さらに,従来のベースラインとの競合も可能で,半数の観察例を用いても可能であった。
関連論文リスト
- Machine Learning for predicting chaotic systems [0.0]
我々は、よく調整された単純な手法と、未調整のベースライン手法が、しばしば最先端のディープラーニングモデルより優れていることを示す。
これらの結果は、データ特性と利用可能な計算資源に対するマッチング予測手法の重要性を浮き彫りにしている。
論文 参考訳(メタデータ) (2024-07-29T16:34:47Z) - Stop overkilling simple tasks with black-box models and use transparent
models instead [57.42190785269343]
ディープラーニングアプローチは、生データから自律的に機能を抽出することができる。
これにより、機能エンジニアリングプロセスをバイパスすることができる。
ディープラーニング戦略は、しばしば精度で従来のモデルより優れている。
論文 参考訳(メタデータ) (2023-02-06T14:28:49Z) - Uncertainty Estimation based on Geometric Separation [13.588210692213568]
機械学習では、特定の入力が正しい確率を正確に予測することがリスク管理に不可欠である。
機械学習モデルにおける不確実性推定を改善するための新しい幾何学的アプローチを提案する。
論文 参考訳(メタデータ) (2023-01-11T13:19:24Z) - Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。
本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。
提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文 参考訳(メタデータ) (2022-05-21T08:39:42Z) - Knowledge Augmented Machine Learning with Applications in Autonomous
Driving: A Survey [37.84106999449108]
この研究は、データ駆動モデルと既存の知識を組み合わせた既存の技術と手法の概要を提供する。
同定されたアプローチは、知識の統合、抽出、整合性に応じて構成される。
特に、自律運転分野における提案手法の適用について述べる。
論文 参考訳(メタデータ) (2022-05-10T07:25:32Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳(メタデータ) (2022-02-18T17:09:32Z) - Using Time-Series Privileged Information for Provably Efficient Learning
of Prediction Models [6.7015527471908625]
本研究では,学習中に特権情報を利用する教師付きモデルを用いて,今後の成果を予測する。
特権情報は、予測の基準時間と将来の結果の間に観察される時系列のサンプルを含む。
我々のアプローチは、特にデータが不足している場合に、古典的な学習よりも好まれることを示す。
論文 参考訳(メタデータ) (2021-10-28T10:07:29Z) - Unified Instance and Knowledge Alignment Pretraining for Aspect-based
Sentiment Analysis [96.53859361560505]
Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。
事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。
我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
論文 参考訳(メタデータ) (2021-10-26T04:03:45Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems [6.810856082577402]
データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。
データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
論文 参考訳(メタデータ) (2020-07-17T14:14:37Z)
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。