論文の概要: Adaptive Neural Networks for Intelligent Data-Driven Development
- arxiv url: http://arxiv.org/abs/2502.10603v1
- Date: Fri, 14 Feb 2025 23:18:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-18 14:11:40.438465
- Title: Adaptive Neural Networks for Intelligent Data-Driven Development
- Title（参考訳）: インテリジェントデータ駆動開発のための適応型ニューラルネットワーク
- Authors: Youssef Shoeb, Azarm Nowzad, Hanno Gottschalk,
- Abstract要約: 本稿では,既知の物体を現在の知覚システムに効率的に組み込むことができる適応型ニューラルネットワークアーキテクチャを提案する。
1)既存の性能を維持しながら新しいクラスを統合するスケーラブルなネットワーク拡張戦略,(2)新たに追加されたクラスの追加リトレーニングを必要としない動的OoD検出コンポーネント,(3)安全クリティカルなデプロイメントに適した検索ベースのデータ拡張プロセスである。
- 参考スコア（独自算出の注目度）: 1.3654846342364308
- License:
- Abstract: Advances in machine learning methods for computer vision tasks have led to their consideration for safety-critical applications like autonomous driving. However, effectively integrating these methods into the automotive development lifecycle remains challenging. Since the performance of machine learning algorithms relies heavily on the training data provided, the data and model development lifecycle play a key role in successfully integrating these components into the product development lifecycle. Existing models frequently encounter difficulties recognizing or adapting to novel instances not present in the original training dataset. This poses a significant risk for reliable deployment in dynamic environments. To address this challenge, we propose an adaptive neural network architecture and an iterative development framework that enables users to efficiently incorporate previously unknown objects into the current perception system. Our approach builds on continuous learning, emphasizing the necessity of dynamic updates to reflect real-world deployment conditions. Specifically, we introduce a pipeline with three key components: (1) a scalable network extension strategy to integrate new classes while preserving existing performance, (2) a dynamic OoD detection component that requires no additional retraining for newly added classes, and (3) a retrieval-based data augmentation process tailored for safety-critical deployments. The integration of these components establishes a pragmatic and adaptive pipeline for the continuous evolution of perception systems in the context of autonomous driving.
- Abstract（参考訳）: コンピュータビジョンタスクのための機械学習手法の進歩は、自律運転のような安全クリティカルなアプリケーションに対する考慮につながった。
しかし,これらの手法を自動車開発ライフサイクルに効果的に統合することは依然として困難である。
機械学習アルゴリズムのパフォーマンスは提供されるトレーニングデータに大きく依存するため、データとモデル開発ライフサイクルは、これらのコンポーネントを製品開発ライフサイクルに統合する上で重要な役割を果たす。
既存のモデルは、元のトレーニングデータセットに存在しない新しいインスタンスを認識したり、適応したりするのにしばしば苦労する。
これは、動的環境における信頼性の高いデプロイメントに重大なリスクをもたらす。
この課題に対処するために,既知のオブジェクトを現在の知覚システムに効率的に組み込むことができる適応型ニューラルネットワークアーキテクチャと反復型開発フレームワークを提案する。
私たちのアプローチは継続的学習に基づいており、実際のデプロイメント条件を反映する動的更新の必要性を強調しています。
具体的には,(1)既存の性能を維持しながら新しいクラスを統合するスケーラブルなネットワーク拡張戦略,(2)新たに追加されたクラスの追加リトレーニングを必要としない動的OoD検出コンポーネント,(3)安全クリティカルなデプロイメントに適した検索ベースのデータ拡張プロセス,の3つの重要なコンポーネントを紹介する。
これらのコンポーネントの統合は、自律運転の文脈における知覚システムの継続的な進化のための実用的で適応的なパイプラインを確立する。
関連論文リスト
- LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
非線形システム識別フレームワークLeARNを導入する。
基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。
我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
論文 参考訳（メタデータ） (2024-12-16T18:03:23Z) - Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。
我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。
また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
論文 参考訳（メタデータ） (2024-07-17T11:17:20Z) - Self Expanding Convolutional Neural Networks [1.4330085996657045]
本稿では,学習中の畳み込みニューラルネットワーク(CNN)を動的に拡張する新しい手法を提案する。
我々は、単一のモデルを動的に拡張する戦略を採用し、様々な複雑さのレベルでチェックポイントの抽出を容易にする。
論文 参考訳（メタデータ） (2024-01-11T06:22:40Z) - Orchestration of Emulator Assisted Mobile Edge Tuning for AI Foundation
Models: A Multi-Agent Deep Reinforcement Learning Approach [10.47302625959368]
我々は,モバイルエッジコンピューティングと基礎モデルを統合した画期的なパラダイムを提示する。
私たちのアプローチの中心はイノベーティブなEmulator-Adapterアーキテクチャであり、基礎モデルを2つの凝集モジュールに分割する。
本稿では,分散環境におけるEmulator-Adapter構造のニーズに合わせて微調整された高度なリソース割り当て機構を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:47:51Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - 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) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Learning to Continuously Optimize Wireless Resource In Episodically
Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。
本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。
我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文 参考訳（メタデータ） (2020-11-16T08:24:34Z) - Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic
Reinforcement Learning [109.77163932886413]
本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。
この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。
事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
論文 参考訳（メタデータ） (2020-04-21T17:57:04Z) - Online Constrained Model-based Reinforcement Learning [13.362455603441552]
主要な要件は、限られた時間とリソース予算内に留まりながら、継続的な状態とアクションスペースを扱う能力である。
本稿では,ガウス過程回帰と回帰水平制御を組み合わせたモデルに基づくアプローチを提案する。
本研究では,自動走行作業におけるオンライン学習のメリットを実証する。
論文 参考訳（メタデータ） (2020-04-07T15:51:34Z)
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。