論文の概要: Evaluating Temporal Observation-Based Causal Discovery Techniques
Applied to Road Driver Behaviour
- arxiv url: http://arxiv.org/abs/2302.00064v1
- Date: Tue, 31 Jan 2023 19:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 18:27:52.386785
- Title: Evaluating Temporal Observation-Based Causal Discovery Techniques
Applied to Road Driver Behaviour
- Title（参考訳）: 道路運転行動に対する時間観測に基づく因果発見手法の評価
- Authors: Rhys Howard, Lars Kunze
- Abstract要約: 我々は,現代の観測に基づく時間因果探索手法を実世界に適用し,複数のデータセットから合成駆動シナリオを適用している。
本評価では, 実データと合成データのパフォーマンスを比較し, 比較することで, 技術手法の限界を実証し, 強調する。
- 参考スコア（独自算出の注目度）: 6.980076213134384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous robots are required to reason about the behaviour of dynamic
agents in their environment. To this end, many approaches assume that causal
models describing the interactions of agents are given a priori. However, in
many application domains such models do not exist or cannot be engineered.
Hence, the learning (or discovery) of high-level causal structures from
low-level, temporal observations is a key problem in AI and robotics. However,
the application of causal discovery methods to scenarios involving autonomous
agents remains in the early stages of research. While a number of methods exist
for performing causal discovery on time series data, these usually rely upon
assumptions such as sufficiency and stationarity which cannot be guaranteed in
interagent behavioural interactions in the real world. In this paper we are
applying contemporary observation-based temporal causal discovery techniques to
real world and synthetic driving scenarios from multiple datasets. Our
evaluation demonstrates and highlights the limitations of state of the art
approaches by comparing and contrasting the performance between real and
synthetically generated data. Finally, based on our analysis, we discuss open
issues related to causal discovery on autonomous robotics scenarios and propose
future research directions for overcoming current limitations in the field.
- Abstract（参考訳）: 自律ロボットは、環境における動的エージェントの振る舞いを判断する必要がある。
この目的のために、エージェントの相互作用を記述する因果モデルには優先順位が与えられると多くのアプローチが仮定される。
しかし、多くのアプリケーション・ドメインではそのようなモデルは存在せず、設計もできない。
したがって、低レベルの時間観測から高レベルの因果構造の学習(あるいは発見)は、AIとロボット工学の重要な問題である。
しかし、自律エージェントを含むシナリオへの因果発見法の応用は研究の初期段階にある。
時系列データ上で因果発見を行う方法は数多く存在するが、これらは実世界の相互行為において保証できない十分性や定常性といった仮定に依存している。
本稿では,同時観測に基づく時間因果発見手法を実世界および複数データセットからの合成運転シナリオに適用する。
本評価では, 実データと合成データのパフォーマンスを比較し, 比較することで, 手法の限界を実証し, 強調する。
最後に,自律型ロボティクスシナリオの因果発見に関するオープンな課題について考察し,現状の限界を克服するための今後の研究方向を提案する。
関連論文リスト
- RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model [15.416325455014462]
時間因果発見は、観察から直接変数間の時間因果関係を特定することを目的としている。
既存の手法は主に介入対象に大きく依存する合成データセットに焦点を当てている。
本稿では、ドメイン知識を活用して、介入対象のない時間的因果関係を発見できるRealTCDフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-23T06:52:40Z) - Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。
既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。
3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文 参考訳（メタデータ） (2024-03-20T02:58:45Z) - Opening the Black-Box: A Systematic Review on Explainable AI in Remote Sensing [51.524108608250074]
ブラックボックス機械学習アプローチは、リモートセンシングにおける知識抽出における主要なモデリングパラダイムとなっている。
我々は、この分野における重要なトレンドを特定するための体系的なレビューを行い、新しい説明可能なAIアプローチに光を当てた。
また,課題と将来的な研究方向性について,より詳細な展望を述べる。
論文 参考訳（メタデータ） (2024-02-21T13:19:58Z) - Sim-to-Real Causal Transfer: A Metric Learning Approach to
Causally-Aware Interaction Representations [62.48505112245388]
エージェント相互作用の現代的表現の因果認識を詳細に検討する。
近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。
因果アノテーションを用いた潜在表現を正規化するための計量学習手法を提案する。
論文 参考訳（メタデータ） (2023-12-07T18:57:03Z) - Social Interaction-Aware Dynamical Models and Decision Making for
Autonomous Vehicles [20.123965317836106]
IAAD(Interaction-Aware Autonomous Driving)は、急速に成長する研究分野である。
それは、人間の道路利用者と安全かつ効率的に対話できる自動運転車の開発に焦点を当てている。
これは、自動運転車が人間の道路利用者の行動を理解し予測できることを要求するため、困難な作業である。
論文 参考訳（メタデータ） (2023-10-29T03:43:50Z) - A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
逆の例では、機械学習モデルを操作して誤った予測を行うことができます。
敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。
本研究は, 対角移動可能性の展望を考察した。
論文 参考訳（メタデータ） (2023-10-26T17:45:26Z) - Simulation-Based Counterfactual Causal Discovery on Real World Driver
Behaviour [6.273003557777915]
本稿では,提案手法の3つの変種について述べる。
実世界の運転データセットから抽出した3396件の因果的シーンの観察的時間的因果的発見手法の状況に対する評価を行った。
論文 参考訳（メタデータ） (2023-06-06T02:10:20Z) - CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data [61.088705993848606]
本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
論文 参考訳（メタデータ） (2022-10-31T13:04:07Z) - When not to use machine learning: a perspective on potential and
limitations [0.0]
データ駆動モデリングの指針原則と、これらの原則が、ほぼ魔法のような予測力を持つモデルをどのように組み合わせているかを強調します。
フォローすべき議論は、研究者にそのテクニックが適切かどうかをよりよく理解してもらうことを願っている。
論文 参考訳（メタデータ） (2022-10-06T04:00:00Z) - Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。
本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
論文 参考訳（メタデータ） (2021-06-15T17:45:32Z) - Augmented Behavioral Cloning from Observation [14.45796459531414]
観察からの模倣(英:imitation from Observation)とは、専門家の行動の模倣法をエージェントに教える技法である。
我々は4つの異なる環境における最先端のアプローチよりも大きなマージンで優れていることを実証的に示す。
論文 参考訳（メタデータ） (2020-04-28T13:56:36Z)
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。