Fugu-MT 論文翻訳(概要): Towards eXplainable AI for Mobility Data Science

論文の概要: Towards eXplainable AI for Mobility Data Science

arxiv url: http://arxiv.org/abs/2307.08461v1
Date: Mon, 17 Jul 2023 13:06:33 GMT
ステータス: 処理完了
システム内更新日: 2023-07-18 13:14:54.461619
Title: Towards eXplainable AI for Mobility Data Science
Title（参考訳）: モビリティデータサイエンスのためのeXplainable AIを目指して
Authors: Anahid Jalali, Anita Graser, Clemens Heistracher
Abstract要約: 我々は、車両や船舶のGPSトラックのような、密度の高い軌道データから学習できる説明可能なモデルに焦点を当てる。我々は、人間中心のアプローチによる理解可能な説明の必要性を論じ、モビリティデータサイエンスのためのXAIに向けた研究の道筋を概説する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents our ongoing work towards XAI for Mobility Data Science applications, focusing on explainable models that can learn from dense trajectory data, such as GPS tracks of vehicles and vessels using temporal graph neural networks (GNNs) and counterfactuals. We review the existing GeoXAI studies, argue the need for comprehensible explanations with human-centered approaches, and outline a research path toward XAI for Mobility Data Science.
Abstract（参考訳）: 本稿では,xai for mobility data science 応用に向けて,時間グラフニューラルネットワーク (gnns) と偽物を用いた車両や船舶のgps 追跡などの高密度軌道データから学習可能な説明可能なモデルに着目した,現在進行中の研究について述べる。我々は既存のGeoXAI研究をレビューし、人間中心のアプローチによる理解可能な説明の必要性を論じ、モビリティデータサイエンスのためのXAI研究の道筋を概説する。

関連論文リスト

A Data-driven Crowd Simulation Framework Integrating Physics-informed Machine Learning with Navigation Potential Fields [15.429885272765363]
本研究では,物理インフォームド・機械学習(PIML)とナビゲーションポテンシャル場を統合した,新しいデータ駆動クラウドシミュレーションフレームワークを提案する。具体的には,革新的な物理インフォームドS時間グラフ畳み込みネットワーク(PI-STGCN)を,歩行者の移動傾向を予測するデータ駆動モジュールとして設計する。本フレームワークでは,PI-STGCNにより予測される移動傾向に基づいて,ナビゲーション電位場を動的に計算し,更新する。
論文参考訳（メタデータ） (2024-10-21T15:56:17Z)
VeTraSS: Vehicle Trajectory Similarity Search Through Graph Modeling and Representation Learning [9.325787573209201]
軌道類似性探索は自律運転において重要な役割を果たす。車両軌道類似度探索のためのエンドツーエンドパイプラインであるVeTraSSを提案する。
論文参考訳（メタデータ） (2024-04-11T06:19:55Z)
Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文参考訳（メタデータ） (2024-03-21T05:57:27Z)
A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文参考訳（メタデータ） (2024-02-06T13:20:56Z)
Digital Twin Mobility Profiling: A Spatio-Temporal Graph Learning Approach [9.56255685195115]
モビリティ・プロファイリングは、モビリティ・データから都市交通の潜在的なパターンを抽出することができる。デジタルツイン(DT)技術は、コスト効率とパフォーマンス最適化管理の道を開く。本稿では,移動時ネットワークDTモデルを用いてノードプロファイルを学習するためのデジタルツインモビリティ・プロファイリングフレームワークを提案する。
論文参考訳（メタデータ） (2024-02-06T06:37:43Z)
Learning to Predict Navigational Patterns from Partial Observations [63.04492958425066]
本稿では,実環境におけるナビゲーションのパターンを,部分的な観察のみから推測する,初めての自己教師型学習(SSL)手法を提案する。我々は、DSLPフィールドに最大極大グラフを適合させることにより、グローバルなナビゲーションパターンを推論する方法を実証する。実験により,我々のSSLモデルはnuScenesデータセット上で2つのSOTA教師付きレーングラフ予測モデルより優れていることが示された。
論文参考訳（メタデータ） (2023-04-26T02:08:46Z)
Geometric Deep Learning for Autonomous Driving: Unlocking the Power of Graph Neural Networks With CommonRoad-Geometric [6.638385593789309]
不均一グラフは、複雑な相互作用効果をモデル化する能力を考えると、トラフィックに対して強力なデータ表現を提供する。グラフニューラルネットワーク(GNN)が付随するディープラーニングフレームワークとして登場することにより、グラフ構造をさまざまな機械学習アプリケーションに効率的に活用することができる。提案するPythonフレームワークは,トラフィックシナリオから標準化されたグラフデータセットを抽出する,使いやすく,完全にカスタマイズ可能なデータ処理パイプラインを提供する。
論文参考訳（メタデータ） (2023-02-02T17:45:02Z)
Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文参考訳（メタデータ） (2022-10-18T17:28:58Z)
GNM: A General Navigation Model to Drive Any Robot [67.40225397212717]
視覚に基づくナビゲーションのための一般的な目標条件付きモデルは、多くの異なるが構造的に類似したロボットから得られたデータに基づいて訓練することができる。ロボット間の効率的なデータ共有に必要な設計決定について分析する。我々は、訓練されたGNMを、下四極子を含む様々な新しいロボットに展開する。
論文参考訳（メタデータ） (2022-10-07T07:26:41Z)
Graph Neural Networks for Traffic Forecasting [0.0]
本稿では,交通予測の課題に着目し,この問題に対するグラフニューラルネットワーク(GNN)の最近の開発と応用について概観する。 GNNは、入力を直接グラフデータとして処理する深層学習手法のクラスである。これにより、トラフィックデータの空間的依存関係をより直接的に活用し、ディープラーニングの利点を利用して最先端の結果が得られます。
論文参考訳（メタデータ） (2021-04-27T10:39:00Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。