Fugu-MT 論文翻訳(概要): Scalable Probabilistic Routes

論文の概要: Scalable Probabilistic Routes

arxiv url: http://arxiv.org/abs/2306.10736v1
Date: Mon, 19 Jun 2023 07:10:34 GMT
ステータス: 処理完了
システム内更新日: 2023-06-21 18:57:42.831399
Title: Scalable Probabilistic Routes
Title（参考訳）: スケーラブルな確率的経路
Authors: Suwei Yang, Victor C. Liang, Kuldeep S. Meel
Abstract要約: ルート予測のための有望なアプローチの1つは、確率値で拡張された決定図を使用する。線形な変数数を用いた緩和符号化を導入し、結果の決定図のサイズを大幅に削減する。ステップワイズサンプリング方式の代わりに,単一パスサンプリングに基づく経路予測を提案する。
参考スコア（独自算出の注目度）: 33.119667669694216
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Inference and prediction of routes have become of interest over the past decade owing to a dramatic increase in package delivery and ride-sharing services. Given the underlying combinatorial structure and the incorporation of probabilities, route prediction involves techniques from both formal methods and machine learning. One promising approach for predicting routes uses decision diagrams that are augmented with probability values. However, the effectiveness of this approach depends on the size of the compiled decision diagrams. The scalability of the approach is limited owing to its empirical runtime and space complexity. In this work, our contributions are two-fold: first, we introduce a relaxed encoding that uses a linear number of variables with respect to the number of vertices in a road network graph to significantly reduce the size of resultant decision diagrams. Secondly, instead of a stepwise sampling procedure, we propose a single pass sampling-based route prediction. In our evaluations arising from a real-world road network, we demonstrate that the resulting system achieves around twice the quality of suggested routes while being an order of magnitude faster compared to state-of-the-art.
Abstract（参考訳）: パッケージデリバリーとライドシェアリングサービスの劇的な増加により、過去10年間でルートの推測と予測が関心を集めている。基礎となる組合せ構造と確率の組み入れを考えると、経路予測には形式的手法と機械学習の両方の手法が含まれる。ルート予測の有望なアプローチのひとつに、確率値で拡張された決定図がある。しかし、このアプローチの有効性は、コンパイルされた決定図のサイズに依存する。このアプローチのスケーラビリティは、経験的なランタイムと空間の複雑さのために制限されている。まず,道路網グラフの頂点数に対して,線形数の変数を用いた緩和符号化を導入し,結果の決定図のサイズを大幅に削減する。第2に,ステップワイズサンプリングではなく,単一パスサンプリングに基づく経路予測を提案する。実世界の道路ネットワークから得られた評価では,提案した経路の約2倍の品質を達成でき,しかも最先端に比べて桁違いに高速であることを示す。

関連論文リスト

DataSP: A Differential All-to-All Shortest Path Algorithm for Learning Costs and Predicting Paths with Context [4.202961704179733]
本稿では,トラジェクトリからの遅延コストの学習を容易にするために,DataSPを提案する。コンテキスト特徴からの複雑な遅延コスト関数は、ニューラルネットワーク近似を通じてアルゴリズムで表現することができる。データSPは,グラフ上での経路予測において,最先端の機械学習手法よりも優れていることを示す。
論文参考訳（メタデータ） (2024-05-08T09:45:54Z)
Predicting Drivers' Route Trajectories in Last-Mile Delivery Using A Pair-wise Attention-based Pointer Neural Network [5.092311422459955]
最終マイルの配達では、道路や縁石のインフラについて暗黙の知識があるため、ドライバーは計画されたルートから逸脱する。人間のドライバーが従うような実際の停止シーケンスを予測することは、ラストマイル配送におけるルート計画を改善するのに役立つ。本稿では、ドライバーの過去の配送軌跡データを用いて、この予測タスクのためのペアワイズアテンションに基づくポインターニューラルネットワークを提案する。
論文参考訳（メタデータ） (2023-01-10T06:11:20Z)
GraphWalks: Efficient Shape Agnostic Geodesic Shortest Path Estimation [93.60478281489243]
3次元曲面上の測地線経路を近似する学習可能なネットワークを提案する。提案手法は,最短経路の効率的な近似と測地距離推定を提供する。
論文参考訳（メタデータ） (2022-05-30T16:22:53Z)
Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文参考訳（メタデータ） (2022-05-13T21:09:41Z)
Road Extraction from Overhead Images with Graph Neural Networks [18.649284163019516]
本稿では,最終道路グラフを1パスで直接推測する手法を提案する。鍵となるアイデアは、関心点の特定を担当する完全な畳み込みネットワークと、これらのポイント間のリンクを予測するグラフニューラルネットワークを組み合わせることである。我々は,一般的なRoadTracerデータセット上の既存の作業に対して評価を行い,競合する結果を得た。
論文参考訳（メタデータ） (2021-12-09T21:10:27Z)
Trajectory Prediction with Graph-based Dual-scale Context Fusion [43.51107329748957]
本稿では,Dual Scale Predictorというグラフベースの軌道予測ネットワークを提案する。静的および動的駆動コンテキストを階層的にエンコードする。提案したデュアルスケールコンテキスト融合ネットワークにより、DSPは正確で人間らしいマルチモーダル軌道を生成することができる。
論文参考訳（メタデータ） (2021-11-02T13:42:16Z)
Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
論文参考訳（メタデータ） (2021-04-16T17:58:56Z)
Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文参考訳（メタデータ） (2021-03-26T02:42:33Z)
The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。本稿では,構造的事前を損失関数として組み込むことを提案する。実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2020-06-04T03:56:11Z)
CARPe Posterum: A Convolutional Approach for Real-time Pedestrian Path Prediction [3.883460584034766]
本稿では,リアルタイム歩行者経路予測のための畳み込み手法CARPeを提案する。グラフ同型ネットワークのバリエーションとアジャイルの畳み込みニューラルネットワーク設計を組み合わせて、高速で正確なパス予測アプローチを形成する。予測速度と予測精度の両面での結果が得られ、現在の最先端手法と比較してFPSを大幅に改善した。
論文参考訳（メタデータ） (2020-05-26T01:10:01Z)
Joint Multi-Dimension Pruning via Numerical Gradient Update [120.59697866489668]
本稿では,空間,深さ,チャネルの3つの重要な側面において,ネットワークを同時に切断する方法であるジョイント・マルチディメンジョン・プルーニング(ジョイント・プルーニング)を提案する。本手法は,1つのエンドツーエンドトレーニングにおいて3次元にわたって協調的に最適化され,従来よりも効率がよいことを示す。
論文参考訳（メタデータ） (2020-05-18T17:57:09Z)

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。