Fugu-MT 論文翻訳(概要): Learning to Forecast Aleatoric and Epistemic Uncertainties over Long Horizon Trajectories

論文の概要: Learning to Forecast Aleatoric and Epistemic Uncertainties over Long Horizon Trajectories

arxiv url: http://arxiv.org/abs/2302.08669v1
Date: Fri, 17 Feb 2023 03:24:16 GMT
ステータス: 処理完了
システム内更新日: 2023-02-20 15:56:13.006504
Title: Learning to Forecast Aleatoric and Epistemic Uncertainties over Long Horizon Trajectories
Title（参考訳）: 長い水平軌道上での失語症・てんかんの不確かさ予測の学習
Authors: Aastha Acharya, Rebecca Russell, Nisar R. Ahmed
Abstract要約: 我々はエージェントシステムの学習された世界モデルを用いて、長時間の地平線上での全エージェント軌道を予測する。本研究では,不確実性モデルが全軌道水平線上で校正された結果の不確実性推定を生成するという2つの強化学習問題を示す。
参考スコア（独自算出の注目度）: 3.3517146652431378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Giving autonomous agents the ability to forecast their own outcomes and uncertainty will allow them to communicate their competencies and be used more safely. We accomplish this by using a learned world model of the agent system to forecast full agent trajectories over long time horizons. Real world systems involve significant sources of both aleatoric and epistemic uncertainty that compound and interact over time in the trajectory forecasts. We develop a deep generative world model that quantifies aleatoric uncertainty while incorporating the effects of epistemic uncertainty during the learning process. We show on two reinforcement learning problems that our uncertainty model produces calibrated outcome uncertainty estimates over the full trajectory horizon.
Abstract（参考訳）: 自律エージェントに自身の成果と不確実性を予測する能力を与えることで、彼らの能力とより安全に使用できるようになる。エージェントシステムの学習的世界モデルを用いて、長時間の地平線上での全エージェント軌道を予測する。現実世界のシステムには、軌道予測において時間とともに複合し相互作用する、アレテータ的・認識論的不確かさのかなりの源がある。我々は,学習過程におけるてんかんの不確かさの影響を取り入れつつ,アレタリック不確かさを定量化する深層生成世界モデルを構築した。本研究では,不確実性モデルが全軌道水平線上で校正結果の不確実性を推定する2つの強化学習問題を示す。

関連論文リスト

Entropy-Based Uncertainty Modeling for Trajectory Prediction in Autonomous Driving [9.365269316773219]
我々は、不確実性の定量化、分解、およびモデル構成の影響に焦点を当てた全体論的アプローチを採用する。提案手法は,不確実性を測定するための理論に基づく情報理論に基づく手法である。我々はnuScenesデータセットに関する広範な実験を行い、異なるモデルアーキテクチャと構成が不確実性定量化とモデルロバスト性にどのように影響するかを評価する。
論文参考訳（メタデータ） (2024-10-02T15:02:32Z)
Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文参考訳（メタデータ） (2024-02-13T11:22:59Z)
Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation for Earth System Science Applications [0.32302664881848275]
エビデンシャル・ディープ・ラーニング(Evidential Deep Learning)は、パラメトリック・ディープ・ラーニングを高次分布に拡張する手法である。本研究では,明らかなニューラルネットワークから得られる不確実性とアンサンブルから得られる不確実性を比較する。本研究では,従来の手法に匹敵する予測精度を実現するとともに,両方の不確実性源をしっかりと定量化しながら,明らかな深層学習モデルを示す。
論文参考訳（メタデータ） (2023-09-22T23:04:51Z)
Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文参考訳（メタデータ） (2023-04-13T17:56:08Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
不確実性は時系列予測タスクに不可欠な考慮事項である。本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
論文参考訳（メタデータ） (2022-08-11T15:21:53Z)
Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
論文参考訳（メタデータ） (2021-04-26T10:28:34Z)
STUaNet: Understanding uncertainty in spatiotemporal collective human mobility [11.436035608461966]
本研究では,内部データ品質と外部不確実性を同時に推定する不確実性学習機構を提案する。提案手法は予測と不確かさの両面において優れていることを示す。
論文参考訳（メタデータ） (2021-02-09T01:43:27Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
From Goals, Waypoints & Paths To Long Term Human Trajectory Forecasting [54.273455592965355]
将来の軌道の不確実性は、(a)エージェントに知られているが、モデルに未知な情報源、例えば長期目標や(b)エージェントとモデルの両方に未知な情報源、例えば他のエージェントの意図や既約乱数不確定性などである。我々は,長期目標における多モータリティと,経路ポイントや経路における多モータリティによるアレタリック不確実性を通じて,てんかん不確かさをモデル化する。また,この二分法を実証するために,従来の作業よりも1分間,桁長の予測地平線を有する,新しい長期軌跡予測設定を提案する。
論文参考訳（メタデータ） (2020-12-02T21:01:29Z)

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。