論文の概要: Evolutionary Multi-objective Optimisation in Neurotrajectory Prediction
- arxiv url: http://arxiv.org/abs/2308.02710v1
- Date: Fri, 4 Aug 2023 21:06:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 19:07:44.095332
- Title: Evolutionary Multi-objective Optimisation in Neurotrajectory Prediction
- Title（参考訳）: ニューロトラジェリー予測における進化的多目的最適化
- Authors: Edgar Galv\'an and Fergal Stapleton
- Abstract要約: この研究は、車両軌道予測のための神経進化の進歩的な一歩を踏み出す。
この目的のために、CNNとLong-Short Term Memory NetworkからなるリッチなANNが採用されている。
EMOアルゴリズム、NSGA-II、MOEA/Dも採用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning has rapidly evolved during the last decade, achieving expert
human performance on notoriously challenging problems such as image
classification. This success is partly due to the re-emergence of bio-inspired
modern artificial neural networks (ANNs) along with the availability of
computation power, vast labelled data and ingenious human-based expert
knowledge as well as optimisation approaches that can find the correct
configuration (and weights) for these networks. Neuroevolution is a term used
for the latter when employing evolutionary algorithms. Most of the works in
neuroevolution have focused their attention in a single type of ANNs, named
Convolutional Neural Networks (CNNs). Moreover, most of these works have used a
single optimisation approach. This work makes a progressive step forward in
neuroevolution for vehicle trajectory prediction, referred to as
neurotrajectory prediction, where multiple objectives must be considered. To
this end, rich ANNs composed of CNNs and Long-short Term Memory Network are
adopted. Two well-known and robust Evolutionary Multi-objective Optimisation
(EMO) algorithms, NSGA-II and MOEA/D are also adopted. The completely different
underlying mechanism of each of these algorithms sheds light on the
implications of using one over the other EMO approach in neurotrajectory
prediction. In particular, the importance of considering objective scaling is
highlighted, finding that MOEA/D can be more adept at focusing on specific
objectives whereas, NSGA-II tends to be more invariant to objective scaling.
Additionally, certain objectives are shown to be either beneficial or
detrimental to finding valid models, for instance, inclusion of a distance
feedback objective was considerably detrimental to finding valid models, while
a lateral velocity objective was more beneficial.
- Abstract（参考訳）: 機械学習は過去10年間で急速に進化し、画像分類のような非常に困難な問題に対して、熟練した人間のパフォーマンスを達成した。
この成功の一部は、バイオインスパイアされたモダンな人工知能ニューラルネットワーク(ANN)の復活と、計算能力、膨大なラベル付きデータ、巧妙な人間ベースのエキスパート知識、そしてこれらのネットワークの正しい構成(と重み)を見つける最適化アプローチの可用性による。
ニューロ進化(Neuroevolution)は、進化的アルゴリズムを用いる場合の後者の用語である。
神経進化の研究の多くは、CNN(Convolutional Neural Networks)と呼ばれる単一の種類のANNに焦点を絞っている。
さらに、これらの作品の多くは単一の最適化アプローチを用いている。
この研究は、複数の目的を考慮すべき神経路予測(neurtrajectory prediction)と呼ばれる、車両軌道予測のための神経進化の進歩的な一歩となる。
この目的のために、cnnと長期記憶ネットワークからなるリッチアンを採用する。
EMO(Evolutionary Multi-Objective Optimisation)アルゴリズム、NSGA-II、MOEA/Dも採用されている。
これらのアルゴリズムの全く異なる基盤メカニズムは、神経路予測において他のemoアプローチを1つ以上使うことの意義に光を当てている。
特に、客観的スケーリングを検討することの重要性が強調され、MOEA/Dは特定の目的に焦点を合わせるのに適しており、NSGA-IIは客観的スケーリングよりも不変である傾向がある。
さらに、特定の目的が有効なモデルを見つけるのに有益または不利であることが示されており、例えば、距離フィードバック目標の包含は有効なモデルを見つけるのにかなり有害であり、一方、横速度目標の方が有益である。
関連論文リスト
- NeuroLGP-SM: Scalable Surrogate-Assisted Neuroevolution for Deep Neural Networks [0.0]
進化的アルゴリズムは、人工深層ニューラルネットワーク(DNN)のアーキテクチャ構成とトレーニングにおいて重要な役割を果たす
本研究では, DNNから出力される表現型距離ベクトルと, Kriging partial Least Squares (KPLS) を用いて探索する。
提案手法はニューロLinear Genetic Programming surrogate model (NeuroLGP-SM) と名付けられ, 完全評価を必要とせず, DNNの適合性を効率的に正確に推定する。
論文 参考訳（メタデータ） (2024-04-12T19:15:38Z) - Unveiling the Unseen: Identifiable Clusters in Trained Depthwise
Convolutional Kernels [56.69755544814834]
深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。
本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
論文 参考訳（メタデータ） (2024-01-25T19:05:53Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - A Hybrid Neural Coding Approach for Pattern Recognition with Spiking
Neural Networks [53.31941519245432]
脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。
これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。
本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
論文 参考訳（メタデータ） (2023-05-26T02:52:12Z) - Initial Steps Towards Tackling High-dimensional Surrogate Modeling for
Neuroevolution Using Kriging Partial Least Squares [0.0]
サロゲート支援進化アルゴリズム(SAEA)は、進化計算システムにおける適合関数の近似を目的とし、効率的な計算モデルを使用することを目的としている。
SAEAsコミュニティからほとんど注目を集めていない、創発的でエキサイティングな領域は、神経進化にある。
近似代理モデルの効率的な計算を可能にするKriging partial Least Squares法をどう利用できるかを示す。
論文 参考訳（メタデータ） (2023-05-05T15:17:03Z) - Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。
彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。
スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-06T13:04:45Z) - Neuroevolutionary Multi-objective approaches to Trajectory Prediction in
Autonomous Vehicles [2.9552300389898094]
我々は、神経進化と進化的多目的最適化の共通点に焦点を当てる。
本稿では,CNNとLong-Short Term Memoryネットワークからなる畳み込みニューラルネットワークについて検討する。
これらの目的が、自律走行車における軌道予測のための神経進化において、肯定的または有害な効果を持つかを示す。
論文 参考訳（メタデータ） (2022-05-04T15:03:26Z) - Multi-Objective Optimisation of Cortical Spiking Neural Networks With
Genetic Algorithms [0.7995360025953929]
スパイキングニューラルネットワーク(SNN)は、ニューロンのオール・オア・ノー・スパイキング活動を通じて通信する。
遺伝的アルゴリズム(GA)を効率的なSNNモデルに最適化する以前の研究は、単一のパラメータと目的に限られていた。
この研究は、Non-dominated sorting GA (NSGA-III) と呼ばれるGAのバージョンを適用し、同じSNN上で多目的最適化を行う可能性を示した。
論文 参考訳（メタデータ） (2021-05-14T13:35:39Z) - Optimizing Deep Neural Networks through Neuroevolution with Stochastic
Gradient Descent [18.70093247050813]
深部ニューラルネットワーク(DNN)の訓練における勾配降下(SGD)は優勢である
神経進化は進化過程に沿っており、しばしばSGDでは利用できない重要な機能を提供している。
個体群の多様性を改善するために,個体間の重み更新を克服する階層型クラスタ型抑制アルゴリズムも開発されている。
論文 参考訳（メタデータ） (2020-12-21T08:54:14Z) - EvoPose2D: Pushing the Boundaries of 2D Human Pose Estimation using
Accelerated Neuroevolution with Weight Transfer [82.28607779710066]
生物進化にインスパイアされたニューラル・アーキテクチャー・サーチの一形態であるニューラル・エボリューションの2次元ヒューマン・ポーズ・ネットワークの設計への応用について検討する。
本手法は,最先端の手設計ネットワークよりも効率的かつ高精度なネットワーク設計を実現する。
論文 参考訳（メタデータ） (2020-11-17T05:56:16Z) - Dynamic Hierarchical Mimicking Towards Consistent Optimization
Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。
DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。
カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2020-03-24T09:56:13Z)
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。