論文の概要: Estimating the Joint Probability of Scenario Parameters with Gaussian Mixture Copula Models

• arxiv url: http://arxiv.org/abs/2506.10098v1
• Date: Wed, 11 Jun 2025 18:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.391795
• Title: Estimating the Joint Probability of Scenario Parameters with Gaussian Mixture Copula Models
• Title（参考訳）: ガウス混合コプラモデルによるシナリオパラメータの連立確率の推定
• Authors: Christian Reichenbächer, Philipp Rank, Jochen Hipp, Oliver Bringmann,
• Abstract要約: 本稿では,自動走行システムの安全性検証のための運転シナリオの統計的モデリングへのガウス混合コプラモデルの最初の応用について述べる。 1千万件のシナリオで評価したところ、ガウス混合コプラモデルの方が、可能性とシンクホーン距離の両方において、データに適していることがわかった。
• 参考スコア（独自算出の注目度）: 1.2463824156241843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the first application of Gaussian Mixture Copula Models to the statistical modeling of driving scenarios for the safety validation of automated driving systems. Knowledge of the joint probability distribution of scenario parameters is essential for scenario-based safety assessment, where risk quantification depends on the likelihood of concrete parameter combinations. Gaussian Mixture Copula Models bring together the multimodal expressivity of Gaussian Mixture Models and the flexibility of copulas, enabling separate modeling of marginal distributions and dependencies. We benchmark Gaussian Mixture Copula Models against previously proposed approaches - Gaussian Mixture Models and Gaussian Copula Models - using real-world driving data drawn from scenarios defined in United Nations Regulation No. 157. Our evaluation across 18 million scenario instances demonstrates that Gaussian Mixture Copula Models provide a better fit to the data in terms of both likelihood and Sinkhorn distance. These results suggest that Gaussian Mixture Copula Models are a compelling foundation for future scenario-based validation frameworks.
• Abstract（参考訳）: 本稿では,自動走行システムの安全性検証のための運転シナリオの統計的モデリングへのガウス混合コプラモデルの最初の応用について述べる。 シナリオパラメータの連立確率分布の知識は,リスク定量化が具体的パラメータの組み合わせの可能性に依存するシナリオベースの安全性評価に不可欠である。 ガウス混合コプラモデル(英語版)は、ガウス混合モデルのマルチモーダル表現性とコプラの柔軟性を結合し、限界分布と依存の別々のモデリングを可能にする。 我々は、ガウス混合コプラモデルとガウス混合コプラモデル(ガウス混合モデルとガウス混合コプラモデル)を、国連規則第157号で定義されたシナリオから引き出された実世界駆動データを用いて比較した。 1千万件のシナリオで評価したところ、ガウス混合コプラモデルの方が、可能性とシンクホーン距離の両方において、データに適していることがわかった。 これらの結果は,Gaussian Mixture Copula Modelsが将来のシナリオベースの検証フレームワークの魅力的な基盤であることを示唆している。

関連論文リスト

• Amortized Bayesian Mixture Models [1.3976439685325095]
  本稿では,混合モデルに適したABI(Amortized Bayesian Inference)の拡張について紹介する。 我々は、後部をパラメータの分布と(カテゴリー的な)混合指標の分布に分解し、生成ニューラルネットワークの組み合わせを利用できるようにする。 提案フレームワークは、独立混合モデルと依存混合モデルの両方に対応し、フィルタリングと平滑化を可能にする。
  論文  参考訳（メタデータ） (2025-01-17T14:51:03Z)
• Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
  科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。 これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
  論文  参考訳（メタデータ） (2024-03-03T04:21:21Z)
• Local Bayesian Dirichlet mixing of imperfect models [0.0]
  ベイズモデルの平均化および混合技術による核質量の採掘能力について検討した。 予測精度と不確実性定量化の両方において,グローバルモデルと局所モデルの混合が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-11-02T21:02:40Z)
• The Infinitesimal Jackknife and Combinations of Models [2.457924087844968]
  Infinitesimal Jackknife を拡張して、任意の2つのモデル間の共分散を推定する。 これはモデルの組み合わせの不確実性を定量化したり、異なるモデルを比較するためのテスト統計を構築するのに使うことができる。
  論文  参考訳（メタデータ） (2022-08-31T22:37:44Z)
• Finite mixture of skewed sub-Gaussian stable distributions [0.0]
  提案モデルは正規分布とスキュー分布の有限混合を含む。 堅牢なモデルベースのクラスタリングのための強力なモデルとして使用できる。
  論文  参考訳（メタデータ） (2022-05-27T15:51:41Z)
• PSD Representations for Effective Probability Models [117.35298398434628]
  最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。 我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。 本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
  論文  参考訳（メタデータ） (2021-06-30T15:13:39Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)

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。