論文の概要: Multimodal Learning for Just-In-Time Software Defect Prediction in Autonomous Driving Systems
- arxiv url: http://arxiv.org/abs/2502.20806v1
- Date: Fri, 28 Feb 2025 07:45:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-03 13:44:09.343279
- Title: Multimodal Learning for Just-In-Time Software Defect Prediction in Autonomous Driving Systems
- Title（参考訳）: 自律運転システムにおけるジャストインタイムソフトウェア欠陥予測のためのマルチモーダル学習
- Authors: Faisal Mohammad, Duksan Ryu,
- Abstract要約: 本稿では,マルチモーダル学習を用いた自律運転ソフトウェアシステムにおけるジャスト・イン・タイム・ソフトウェア欠陥予測(JIT-SDP)の新しい手法を提案する。
本研究は,自律運転ソフトウェアの信頼性と安全性を高めるためのマルチモーダル学習の可能性を明らかにするものである。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: In recent years, the rise of autonomous driving technologies has highlighted the critical importance of reliable software for ensuring safety and performance. This paper proposes a novel approach for just-in-time software defect prediction (JIT-SDP) in autonomous driving software systems using multimodal learning. The proposed model leverages the multimodal transformers in which the pre-trained transformers and a combining module deal with the multiple data modalities of the software system datasets such as code features, change metrics, and contextual information. The key point for adapting multimodal learning is to utilize the attention mechanism between the different data modalities such as text, numerical, and categorical. In the combining module, the output of a transformer model on text data and tabular features containing categorical and numerical data are combined to produce the predictions using the fully connected layers. Experiments conducted on three open-source autonomous driving system software projects collected from the GitHub repository (Apollo, Carla, and Donkeycar) demonstrate that the proposed approach significantly outperforms state-of-the-art deep learning and machine learning models regarding evaluation metrics. Our findings highlight the potential of multimodal learning to enhance the reliability and safety of autonomous driving software through improved defect prediction.
- Abstract（参考訳）: 近年、自動運転技術の台頭は、安全性と性能を確保するための信頼性の高いソフトウェアの重要性を強調している。
本稿では,マルチモーダル学習を用いた自律運転ソフトウェアシステムにおけるジャスト・イン・タイム・ソフトウェア欠陥予測(JIT-SDP)の新しい手法を提案する。
提案モデルでは,事前学習したトランスフォーマと組み合わせモジュールが,コード特徴や変更メトリクス,コンテキスト情報といったソフトウェアシステムのデータセットの多重データモダリティを扱うマルチモーダルトランスフォーマを利用する。
マルチモーダル学習の鍵となる点は、テキスト、数値、カテゴリーなどの異なるデータモダリティ間の注意機構を利用することである。
合成モジュールにおいて、テキストデータ上のトランスモデルの出力と、カテゴリデータと数値データを含む表特徴とを組み合わせて、完全に連結された層を用いて予測を生成する。
GitHubリポジトリ(Apollo、Carla、Donkeycar)から収集した3つのオープンソースの自動運転ソフトウェアプロジェクトで実施された実験では、提案されたアプローチが評価メトリクスに関する最先端のディープラーニングモデルと機械学習モデルを大幅に上回っていることが示されている。
本研究は,欠陥予測の改善を通じて自律運転ソフトウェアの信頼性と安全性を高めるためのマルチモーダル学習の可能性を明らかにするものである。
関連論文リスト
- Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。
AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
論文 参考訳（メタデータ） (2024-07-25T17:46:38Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - Mutual Information Analysis in Multimodal Learning Systems [3.3748750222488657]
有名な例としては、自動運転車、オーディオ視覚生成システム、視覚言語システムなどがある。
このようなシステムは、テキスト、音声、画像、ビデオ、LiDARなどの複数の信号モダリティを統合し、様々なタスクを実行する。
このようなシステムを理解する上で重要な問題は、様々なモダリティとそれがタスクパフォーマンスに与える影響の関係である。
我々は、この問題に対する洞察を得るために、相互情報(MI)の概念を用いる。
論文 参考訳（メタデータ） (2024-05-21T02:16:16Z) - Automatic AI controller that can drive with confidence: steering vehicle with uncertainty knowledge [3.131134048419781]
本研究は,機械学習フレームワークを用いた車両の横方向制御システムの開発に焦点をあてる。
確率論的学習モデルであるベイズニューラルネットワーク(BNN)を用いて不確実性定量化に対処する。
信頼しきい値を確立することで、手動による介入をトリガーし、安全なパラメータの外で動作した場合に、制御がアルゴリズムから解放されることを保証できます。
論文 参考訳（メタデータ） (2024-04-24T23:22:37Z) - NeuroFlow: Development of lightweight and efficient model integration
scheduling strategy for autonomous driving system [0.0]
本稿では,自動車システムの独特な制約と特性を考慮した自律運転システムを提案する。
提案システムは、自律運転における複雑なデータフローを体系的に分析し、ディープラーニングモデルに影響を与える様々な要因を動的に調整する機能を提供する。
論文 参考訳（メタデータ） (2023-12-15T07:51:20Z) - Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。
高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。
また、解決を保障する科学的、技術的課題も検討している。
論文 参考訳（メタデータ） (2023-12-06T10:46:53Z) - Drive Anywhere: Generalizable End-to-end Autonomous Driving with
Multi-modal Foundation Models [114.69732301904419]
本稿では、画像とテキストで検索可能な表現から、運転決定を提供することができる、エンドツーエンドのオープンセット(環境/シーン)自律運転を適用するアプローチを提案する。
当社のアプローチでは, 多様なテストにおいて非並列的な結果を示すと同時に, アウト・オブ・ディストリビューションの状況において, はるかに高いロバスト性を実現している。
論文 参考訳（メタデータ） (2023-10-26T17:56:35Z) - Modelling Concurrency Bugs Using Machine Learning [0.0]
このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。
我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。
各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
論文 参考訳（メタデータ） (2023-05-08T17:30:24Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - A Multi-Modal States based Vehicle Descriptor and Dilated Convolutional
Social Pooling for Vehicle Trajectory Prediction [3.131740922192114]
本稿では,この問題を解決するために,拡張畳み込み社会プーリング(VD+DCS-LSTM)を用いた車両記述子に基づくLSTMモデルを提案する。
各車両のマルチモーダル状態情報がモデル入力として使用される。
モデル全体の妥当性はNGSIM US-101とI-80データセットで検証された。
論文 参考訳（メタデータ） (2020-03-07T01:23:20Z)
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。