論文の概要: Eloss in the way: A Sensitive Input Quality Metrics for Intelligent Driving

• arxiv url: http://arxiv.org/abs/2302.00986v1
• Date: Thu, 2 Feb 2023 10:11:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 14:28:42.246295
• Title: Eloss in the way: A Sensitive Input Quality Metrics for Intelligent Driving
• Title（参考訳）: eloss in the way:インテリジェント運転のためのセンシティブな入力品質指標
• Authors: Haobo Yang, Shiyan Zhang, Zhuoyi Yang, Xinyu Zhang
• Abstract要約: 本稿ではElossと呼ばれる新しいタイプの計量を提案する。 Elossは知覚モデルの情報圧縮層の説明に基づいて設計されている。 実験により,Elossは異常なデータを含む100以上の因子によって標準値から逸脱することができることを示した。
• 参考スコア（独自算出の注目度）: 8.125523207635128
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the increasing complexity of the traffic environment, the importance of safety perception in intelligent driving is growing. Conventional methods in the robust perception of intelligent driving focus on training models with anomalous data, letting the deep neural network decide how to tackle anomalies. However, these models cannot adapt smoothly to the diverse and complex real-world environment. This paper proposes a new type of metric known as Eloss and offers a novel training strategy to empower perception models from the aspect of anomaly detection. Eloss is designed based on an explanation of the perception model's information compression layers. Specifically, taking inspiration from the design of a communication system, the information transmission process of an information compression network has two expectations: the amount of information changes steadily, and the information entropy continues to decrease. Then Eloss can be obtained according to the above expectations, guiding the update of related network parameters and producing a sensitive metric to identify anomalies while maintaining the model performance. Our experiments demonstrate that Eloss can deviate from the standard value by a factor over 100 with anomalous data and produce distinctive values for similar but different types of anomalies, showing the effectiveness of the proposed method. Our code is available at: (code available after paper accepted).
• Abstract（参考訳）: 交通環境の複雑化に伴い、インテリジェントな運転における安全認識の重要性が高まっている。 従来のインテリジェント運転のロバストな知覚法は、異常データを用いたトレーニングモデルに焦点をあて、ディープニューラルネットワークが異常に対処する方法を決定する。 しかし、これらのモデルは、多様で複雑な実環境にスムーズに適応できない。 本稿では,Elossと呼ばれる新しいタイプのメトリクスを提案し,異常検出の側面から知覚モデルを強化するための新しいトレーニング戦略を提案する。 Elossは知覚モデルの情報圧縮層の説明に基づいて設計されている。 具体的には、通信システムの設計から着想を得て、情報圧縮ネットワークの情報伝達プロセスには、情報量が着実に変化し、情報エントロピーが減少し続けるという2つの期待がある。 次に、上記の期待に応じてElossを取得でき、関連するネットワークパラメータの更新を誘導し、モデル性能を維持しながら異常を識別するための感度の高いメトリックを生成する。 実験により,elossは異常データを持つ100以上の係数で標準値から逸脱し,類似するが異なる種類の異常に対して特異な値を生成できることが示され,提案手法の有効性が示された。 私たちのコードは:(紙が受け入れられた後に入手できる)で利用可能です。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Entropy Loss: An Interpretability Amplifier of 3D Object Detection Network for Intelligent Driving [12.785134710797244]
  本稿では,「エントロピー損失」と呼ばれる新しいタイプの損失関数と,革新的なトレーニング戦略を紹介する。 エントロピー損失は知覚モデル内の特徴圧縮ネットワークの機能に基づいて定式化される。 KITTIテストセットのエントロピー損失を用いた3次元物体検出モデルの精度は、エントロピー損失のないモデルと比較して4.47%向上した。
  論文  参考訳（メタデータ） (2024-09-01T20:55:50Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• Evaluation of machine learning architectures on the quantification of epistemic and aleatoric uncertainties in complex dynamical systems [0.0]
  不確実量化(英: Uncertainty Quantification、UQ)は、モデル誤差の自己評価値である。 ガウス過程とファミリーUQ強化ニューラルネットワークの両方を含む機械学習技術について検討する。 検証データ上の正規化残差の分布と推定不確かさの分布の2つの指標を用いて,UQ精度(モデル精度とは異なる)を評価する。
  論文  参考訳（メタデータ） (2023-06-27T02:35:25Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Causal Discovery and Knowledge Injection for Contestable Neural Networks (with Appendices) [10.616061367794385]
  本稿では,ニューラルネットワークを利用したマシンが学習因果グラフの基盤を公開できる双方向インタラクションを提案する。 提案手法は,入力層で最大7倍小さい擬似ネットワークを生成中の予測性能を2.4倍に向上することを示す。
  論文  参考訳（メタデータ） (2022-05-19T18:21:12Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  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。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Malicious Network Traffic Detection via Deep Learning: An Information Theoretic View [0.0]
  本研究では,ホメオモルフィズムがマルウェアのトラフィックデータセットの学習表現に与える影響について検討する。 この結果から,学習された表現の詳細と,すべてのパラメータの多様体上で定義された特定の座標系は,関数近似とは全く異なることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T15:37:44Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)

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。