論文の概要: TrafficSafetyGPT: Tuning a Pre-trained Large Language Model to a
Domain-Specific Expert in Transportation Safety
- arxiv url: http://arxiv.org/abs/2307.15311v1
- Date: Fri, 28 Jul 2023 05:17:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-31 13:43:10.223039
- Title: TrafficSafetyGPT: Tuning a Pre-trained Large Language Model to a
Domain-Specific Expert in Transportation Safety
- Title(参考訳): TrafficSafetyGPT: 訓練済みの大規模言語モデルを交通安全の専門家にチューニングする
- Authors: Ou Zheng, Mohamed Abdel-Aty, Dongdong Wang, Chenzhu Wang, Shengxuan
Ding
- Abstract要約: 大規模言語モデル(LLM)は、様々な汎用自然言語処理(NLP)タスクにおいて顕著な効果を示している。
本稿では,新しいLAMAモデルであるTrafficSafetyGPTを紹介する。
- 参考スコア(独自算出の注目度): 2.1906688755530968
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLMs) have shown remarkable effectiveness in various
general-domain natural language processing (NLP) tasks. However, their
performance in transportation safety domain tasks has been suboptimal,
primarily attributed to the requirement for specialized transportation safety
expertise in generating accurate responses [1]. To address this challenge, we
introduce TrafficSafetyGPT, a novel LLAMA-based model, which has undergone
supervised fine-tuning using TrafficSafety-2K dataset which has human labels
from government produced guiding books and ChatGPT-generated instruction-output
pairs. Our proposed TrafficSafetyGPT model and TrafficSafety-2K train dataset
are accessible at https://github.com/ozheng1993/TrafficSafetyGPT.
- Abstract(参考訳): 大規模言語モデル(LLM)は、様々な汎用自然言語処理(NLP)タスクにおいて顕著な効果を示している。
しかし、輸送安全領域の業務におけるそれらのパフォーマンスは、主に、正確な応答を生成するための専門的な交通安全専門知識の要求に起因している。
この課題に対処するため,我々は,政府による指導書とChatGPT生成した指導出力ペアからなるTrafficSafety-2Kデータセットを用いた,LAMAベースの新しいモデルであるTrafficSafetyGPTを紹介する。
提案するTrafficSafetyGPTモデルとTrafficSafety-2Kトレインデータセットはhttps://github.com/ozheng1993/TrafficSafetyGPTでアクセス可能である。
関連論文リスト
- BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。
本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。
本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
論文 参考訳(メタデータ) (2024-03-08T04:19:56Z) - Mitigating Fine-tuning Jailbreak Attack with Backdoor Enhanced Alignment [58.07171349593672]
ファインチューニングベースのジェイルブレイク攻撃(FJAttack)に対する防御のためのバックドア強化安全アライメントを提案する。
安全事例に先行する「バックドアトリガー」として,シークレットプロンプトを統合することで,プレフィックス付き安全事例を構築した。
我々の実験は、バックドア強化安全アライメント(Backdoor Enhanced Safety Alignment)により、最大11個のプレフィックス付き安全サンプルを追加することで、悪意ある微調整 LLM が元のアライメントモデルと同様の安全性性能を達成することを実証した。
論文 参考訳(メタデータ) (2024-02-22T21:05:18Z) - TransGPT: Multi-modal Generative Pre-trained Transformer for
Transportation [19.184173455587263]
本稿ではトランスGPT(TransGPT)について述べる。
シングルモーダルデータ用TransGPT-SMとマルチモーダルデータ用TransGPT-MMの2つの独立した変種で構成されている。
この研究は、輸送分野におけるNLPの最先端を推し進め、ITSの研究者や実践者にとって有用なツールを提供する。
論文 参考訳(メタデータ) (2024-02-11T15:50:35Z) - Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。
LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。
適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
論文 参考訳(メタデータ) (2023-11-28T03:13:09Z) - CAT: Closed-loop Adversarial Training for Safe End-to-End Driving [54.60865656161679]
Adversarial Training (CAT) は、自動運転車における安全なエンドツーエンド運転のためのフレームワークである。
Catは、安全クリティカルなシナリオでエージェントを訓練することで、運転エージェントの安全性を継続的に改善することを目的としている。
猫は、訓練中のエージェントに対抗する敵シナリオを効果的に生成できる。
論文 参考訳(メタデータ) (2023-10-19T02:49:31Z) - Fine-tuning Aligned Language Models Compromises Safety, Even When Users
Do Not Intend To! [88.90694413503614]
LLMの安全性は微調整によって損なわれる可能性がある。
我々は、GPT-3.5の安全ガードレールを10種類の例で微調整することで、脱獄した。
我々は、協調LLMのカスタム微調整のための安全プロトコルの強化に向けたさらなる研究を提唱する。
論文 参考訳(メタデータ) (2023-10-05T17:12:17Z) - Generating and Explaining Corner Cases Using Learnt Probabilistic Lane
Graphs [5.309950889075669]
本稿では,車両が走行する車線の位置と方向の有限セットを記述するために,確率的レーングラフ(PLG)を導入する。
PLGの構造は、歴史的交通データから直接学習される。
我々は、このポリシーを変更するために強化学習技術を使用し、現実的で説明可能なコーナーケースシナリオを生成する。
論文 参考訳(メタデータ) (2023-08-25T20:17:49Z) - Network-level Safety Metrics for Overall Traffic Safety Assessment: A
Case Study [7.8191100993403495]
本稿では,道路インフラストラクチャセンサによる画像の処理による交通流の安全性評価のための,ネットワークレベルの新しい安全性指標について述べる。
安全性指標とクラッシュデータの統合解析により,代表的なネットワークレベルの安全性指標とクラッシュ頻度との洞察力のある時間的および空間的相関が明らかになった。
論文 参考訳(メタデータ) (2022-01-27T19:07:08Z) - Towards formalization and monitoring of microscopic traffic parameters
using temporal logic [1.3706331473063877]
本稿では,形式言語Signal Temporal Logicを用いた交通ネットワーク解析のための仕様ベースのモニタリング手法を提案する。
我々は、速度制限に適合し、適切な進路を維持するなど、安全関連行動を特定するモニターを開発する。
この作業は交通管理センターがトラヒックストリーム特性を調査し、ハザードを特定し、トラヒック監視システムを自動化する上で貴重なフィードバックを提供するために利用することができる。
論文 参考訳(メタデータ) (2021-10-12T17:59:26Z) - Cautious Adaptation For Reinforcement Learning in Safety-Critical
Settings [129.80279257258098]
都市運転のような現実の安全クリティカルな目標設定における強化学習(RL)は危険である。
非安全クリティカルな「ソース」環境でエージェントが最初に訓練する「安全クリティカル適応」タスクセットを提案する。
多様な環境における事前経験がリスクを見積もるためにエージェントに装備するという直感に基づくソリューションアプローチであるCARLを提案する。
論文 参考訳(メタデータ) (2020-08-15T01:40:59Z)
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。