論文の概要: EANet: Expert Attention Network for Online Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2309.05683v1
- Date: Mon, 11 Sep 2023 07:09:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 15:51:32.011473
- Title: EANet: Expert Attention Network for Online Trajectory Prediction
- Title（参考訳）: EANet:オンライン軌道予測のためのエキスパート注意ネットワーク
- Authors: Pengfei Yao, Tianlu Mao, Min Shi, Jingkai Sun, Zhaoqi Wang
- Abstract要約: Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。
我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。
さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
- 参考スコア（独自算出の注目度）: 5.600280639034753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Trajectory prediction plays a crucial role in autonomous driving. Existing
mainstream research and continuoual learning-based methods all require training
on complete datasets, leading to poor prediction accuracy when sudden changes
in scenarios occur and failing to promptly respond and update the model.
Whether these methods can make a prediction in real-time and use data instances
to update the model immediately(i.e., online learning settings) remains a
question. The problem of gradient explosion or vanishing caused by data
instance streams also needs to be addressed. Inspired by Hedge Propagation
algorithm, we propose Expert Attention Network, a complete online learning
framework for trajectory prediction. We introduce expert attention, which
adjusts the weights of different depths of network layers, avoiding the model
updated slowly due to gradient problem and enabling fast learning of new
scenario's knowledge to restore prediction accuracy. Furthermore, we propose a
short-term motion trend kernel function which is sensitive to scenario change,
allowing the model to respond quickly. To the best of our knowledge, this work
is the first attempt to address the online learning problem in trajectory
prediction. The experimental results indicate that traditional methods suffer
from gradient problems and that our method can quickly reduce prediction errors
and reach the state-of-the-art prediction accuracy.
- Abstract（参考訳）: 軌道予測は自動運転において重要な役割を果たす。
既存の主流研究と継続的学習ベースの手法はすべて、完全なデータセットのトレーニングを必要としており、シナリオの突然の変化が発生した場合の予測精度が低下し、即座にモデルに応答し更新することができない。
これらの方法がリアルタイムで予測でき、データインスタンスを使ってモデルを直接更新できるかどうか(つまり、オンライン学習の設定)は疑問である。
データインスタンスストリームによって引き起こされる勾配の爆発や消滅の問題にも対処する必要がある。
Hedge Propagationアルゴリズムにインスパイアされた我々は、軌道予測のための完全なオンライン学習フレームワークであるExpert Attention Networkを提案する。
ネットワーク層の深さの異なる重みを調整し、勾配問題によるモデル更新をゆっくりと回避し、新しいシナリオの知識を高速に学習して予測精度を回復する専門家注意を導入する。
さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
我々の知る限りでは、この研究は軌道予測においてオンライン学習問題に対処する最初の試みである。
実験結果から,従来の手法は勾配問題に悩まされ,予測誤差を迅速に低減し,最先端の予測精度に達することが示唆された。
関連論文リスト
- Liquid Neural Network-based Adaptive Learning vs. Incremental Learning for Link Load Prediction amid Concept Drift due to Network Failures [37.66676003679306]
概念の漂流に適応することは、機械学習において難しい課題である。
通信ネットワークでは、障害イベントの後に交通予報を行う際にこのような問題が生じる。
本稿では,適応学習アルゴリズム,すなわち,データパターンの急激な変化を,再学習を必要とせずに自己適応できる手法を提案する。
論文 参考訳（メタデータ） (2024-04-08T08:47:46Z) - TaskMet: Task-Driven Metric Learning for Model Learning [31.118311918110454]
ディープラーニングモデルは、トレーニング手順が認識していない可能性のある下流タスクにデプロイされることが多い。
本稿では,モデルのパラメータよりも1段階深いタスク損失信号を用いて,モデルがトレーニングした損失関数のパラメータを学習する。
このアプローチは、最適な予測モデル自体を変更するのではなく、下流のタスクにとって重要な情報を強調するためにモデル学習を変更する。
論文 参考訳（メタデータ） (2023-12-08T18:59:03Z) - STDA-Meta: A Meta-Learning Framework for Few-Shot Traffic Prediction [5.502177196766933]
本稿では,データ満足な都市から移動可能なメタ知識を対角的に学習する新しい時間領域適応(STDA)手法を提案する。
この学習されたメタ知識は、データスカース都市の予測性能を向上させることができる。
具体的には,モデル・アテンポラル・メタラーニング(MAML)に基づくエピソード学習プロセスを用いてSTDAモデルを訓練する。
論文 参考訳（メタデータ） (2023-10-31T06:52:56Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - PreTR: Spatio-Temporal Non-Autoregressive Trajectory Prediction
Transformer [0.9786690381850356]
PRediction Transformer (PReTR) と呼ばれるモデルを導入し、時間分解型アテンションモジュールを用いてマルチエージェントシーンから特徴を抽出する。
これは、経験的により良い結果を持つ以前の研究されたモデルよりも計算上の必要性が低いことを示している。
我々は,学習対象クエリの集合を並列デコードするために,エンコーダ・デコーダ・トランスフォーマネットワークを利用する。
論文 参考訳（メタデータ） (2022-03-17T12:52:23Z) - Recursive Least-Squares Estimator-Aided Online Learning for Visual
Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。
これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。
我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文 参考訳（メタデータ） (2021-12-28T06:51:18Z) - Learning to Learn Transferable Attack [77.67399621530052]
転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。
本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。
提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
論文 参考訳（メタデータ） (2021-12-10T07:24:21Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - New Perspectives on the Use of Online Learning for Congestion Level
Prediction over Traffic Data [6.664111208927475]
本研究は時系列データによる分類に焦点を当てる。
非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。
オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
論文 参考訳（メタデータ） (2020-03-27T09:44:57Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。