論文の概要: AMEND: A Mixture of Experts Framework for Long-tailed Trajectory Prediction

• arxiv url: http://arxiv.org/abs/2402.08698v2
• Date: Fri, 26 Apr 2024 18:02:38 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 23:35:54.713771
• Title: AMEND: A Mixture of Experts Framework for Long-tailed Trajectory Prediction
• Title（参考訳）: AMEND:ロングテール軌道予測のためのエキスパートフレームワーク
• Authors: Ray Coden Mercurius, Ehsan Ahmadi, Soheil Mohamad Alizadeh Shabestary, Amir Rasouli,
• Abstract要約: 軌道予測のためのモジュラーモデル非依存フレームワークを提案する。 各専門家は、データの特定の部分に関して、特別なスキルで訓練される。 予測のために,相対的信頼スコアを生成することで,最高の専門家を選択するルータネットワークを利用する。
• 参考スコア（独自算出の注目度）: 6.724750970258851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of pedestrians' future motions is critical for intelligent driving systems. Developing models for this task requires rich datasets containing diverse sets of samples. However, the existing naturalistic trajectory prediction datasets are generally imbalanced in favor of simpler samples and lack challenging scenarios. Such a long-tail effect causes prediction models to underperform on the tail portion of the data distribution containing safety-critical scenarios. Previous methods tackle the long-tail problem using methods such as contrastive learning and class-conditioned hypernetworks. These approaches, however, are not modular and cannot be applied to many machine learning architectures. In this work, we propose a modular model-agnostic framework for trajectory prediction that leverages a specialized mixture of experts. In our approach, each expert is trained with a specialized skill with respect to a particular part of the data. To produce predictions, we utilise a router network that selects the best expert by generating relative confidence scores. We conduct experimentation on common pedestrian trajectory prediction datasets and show that our method improves performance on long-tail scenarios. We further conduct ablation studies to highlight the contribution of different proposed components.
• Abstract（参考訳）: 歩行者の将来の動きの正確な予測は、インテリジェントな運転システムにとって重要である。 このタスクのためのモデルを開発するには、多様なサンプルセットを含む豊富なデータセットが必要である。 しかし、既存の自然主義的軌道予測データセットは、単純なサンプルを好んで不均衡であり、難解なシナリオを欠いているのが一般的である。 このような長い尾効果は、安全クリティカルなシナリオを含むデータ分布の尾部において、予測モデルが過小評価される原因となる。 従来の手法では、コントラスト学習やクラス条件のハイパーネットワークといった手法が用いられていた。 しかし、これらのアプローチはモジュラーではなく、多くの機械学習アーキテクチャに適用することはできない。 本研究では,専門的な専門家の混在を利用した軌道予測のためのモジュラーモデル非依存フレームワークを提案する。 このアプローチでは、各専門家は、データの特定の部分に関して、特別なスキルで訓練されます。 予測のために,相対的信頼スコアを生成することで,最高の専門家を選択するルータネットワークを利用する。 本研究では,一般的な歩行者軌跡予測データセットを用いて実験を行い,提案手法がロングテールシナリオの性能を向上させることを示す。 さらに, 異なる成分の寄与を明らかにするために, アブレーション研究を行っている。

関連論文リスト

• Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting [15.916325272109454]
  本稿では,ディープラーニングとルールに基づく予測専門家を統合した新しいフレームワーク,Adaptive Prediction Ensemble (APE)を提案する。 ディープラーニングモデルと並行して訓練された学習ルーティング関数は、入力シナリオに基づいて、最も信頼性の高い予測を動的に選択する。 この研究は、自律運転における頑健で一般化可能な運動予測のためのハイブリッドアプローチの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-12T17:57:00Z)
• Certified Human Trajectory Prediction [66.1736456453465]
  交通予知は自動運転車に不可欠な役割を担っている。 本稿では,軌道予測作業に適した認証手法を提案する。 非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
  論文  参考訳（メタデータ） (2024-03-20T17:41:35Z)
• EquiDiff: A Conditional Equivariant Diffusion Model For Trajectory Prediction [11.960234424309265]
  本研究では,将来の車両軌道予測のための深部生成モデルであるEquiDiffを提案する。 EquiDiffは、過去の情報とランダムなガウスノイズを組み込んで将来の軌跡を生成する条件拡散モデルに基づいている。 以上の結果から,EquiDiffは短期予測では他のベースラインモデルよりも優れているが,長期予測では誤差が若干高いことがわかった。
  論文  参考訳（メタデータ） (2023-08-12T13:17:09Z)
• FEND: A Future Enhanced Distribution-Aware Contrastive Learning Framework for Long-tail Trajectory Prediction [19.626383744807068]
  本稿では,軌道予測における長い尾現象の扱いに焦点をあてる。 我々は、末尾軌道パターンを認識し、個別のパターンクラスタで特徴空間を形成するための、将来的な強化されたコントラスト学習フレームワークを提唱した。 本手法は, ADEでは9.5%, FDEでは8.5%の精度で, 最先端のロングテール予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-29T10:16:55Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Towards Unbiased and Accurate Deferral to Multiple Experts [19.24068936057053]
  本研究では, 分類器とディフェラルシステムを同時に学習するフレームワークを提案し, ディフェラルシステムは1人以上の人間専門家にディジェラルシステムを選択する。 本フレームワークは,偏りのある合成専門家による合成データセットとコンテンツモデレーションデータセットを用いてテストし,最終予測の精度と公平性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-02-25T17:08:39Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。