論文の概要: Comparing Normalizing Flows with Kernel Density Estimation in Estimating Risk of Automated Driving Systems
- arxiv url: http://arxiv.org/abs/2507.22429v1
- Date: Wed, 30 Jul 2025 07:16:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-31 16:14:18.053946
- Title: Comparing Normalizing Flows with Kernel Density Estimation in Estimating Risk of Automated Driving Systems
- Title(参考訳): 自動走行システムのリスク推定における正規化流れとカーネル密度推定の比較
- Authors: Erwin de Gelder, Maren Buermann, Olaf Op den Camp,
- Abstract要約: 本稿では,パラメータの確率密度関数 (PDF) の推定に正規化フロー (NF) を用いることを検討する。
NF は、単純な基底分布を可逆写像と微分可能写像の列を用いて複素分布に変換する生成モデルのクラスである。
我々は、ADSのリスクとリスクの不確実性を定量化するためのNFの有効性を示し、その性能をカーネル密度推定(KDE)と比較した。
- 参考スコア(独自算出の注目度): 1.0533738606966752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of safety validation methods is essential for the safe deployment and operation of Automated Driving Systems (ADSs). One of the goals of safety validation is to prospectively evaluate the risk of an ADS dealing with real-world traffic. Scenario-based assessment is a widely-used approach, where test cases are derived from real-world driving data. To allow for a quantitative analysis of the system performance, the exposure of the scenarios must be accurately estimated. The exposure of scenarios at parameter level is expressed using a Probability Density Function (PDF). However, assumptions about the PDF, such as parameter independence, can introduce errors, while avoiding assumptions often leads to oversimplified models with limited parameters to mitigate the curse of dimensionality. This paper considers the use of Normalizing Flows (NF) for estimating the PDF of the parameters. NF are a class of generative models that transform a simple base distribution into a complex one using a sequence of invertible and differentiable mappings, enabling flexible, high-dimensional density estimation without restrictive assumptions on the PDF's shape. We demonstrate the effectiveness of NF in quantifying risk and risk uncertainty of an ADS, comparing its performance with Kernel Density Estimation (KDE), a traditional method for non-parametric PDF estimation. While NF require more computational resources compared to KDE, NF is less sensitive to the curse of dimensionality. As a result, NF can improve risk uncertainty estimation, offering a more precise assessment of an ADS's safety. This work illustrates the potential of NF in scenario-based safety. Future work involves experimenting more with using NF for scenario generation and optimizing the NF architecture, transformation types, and training hyperparameters to further enhance their applicability.
- Abstract(参考訳): ADS(Automated Driving Systems)の安全な展開と運用には,安全性検証手法の開発が不可欠である。
安全性検証の目標の1つは、現実世界のトラフィックを扱うADSのリスクを将来的に評価することである。
シナリオベースのアセスメントは、テストケースが実世界の運転データから導出される、広く使われているアプローチである。
システムの性能を定量的に分析するためには、シナリオの露出を正確に推定する必要がある。
パラメータレベルでのシナリオの露出は確率密度関数(PDF)を使って表現される。
しかし、パラメータ独立のようなPDFに関する仮定は誤りをもたらすが、仮定を避けることはしばしば、次元の呪いを軽減するために限られたパラメータを持つ過度に単純化されたモデルをもたらす。
本稿では,パラメータのPDF推定に正規化フロー(NF)を用いることを検討する。
NF は、単純な基底分布を可逆かつ微分可能な写像の列を用いて複素空間に変換する生成モデルのクラスであり、PDF の形状に制限的な仮定を伴わずに、柔軟で高次元の密度推定を可能にする。
非パラメトリックPDF推定法であるKernel Density Estimation (KDE) と比較し, リスクとリスクの不確実性を定量化するためのNFの有効性を示す。
NF は KDE よりも多くの計算資源を必要とするが、NF は次元の呪いに敏感ではない。
その結果、NFはリスク不確実性の推定を改善し、ADSの安全性をより正確に評価することができる。
この研究はシナリオベースの安全性におけるNFの可能性を示している。
今後の作業では、シナリオ生成にNFを使用したり、NFアーキテクチャを最適化したり、トランスフォーメーションタイプ、ハイパーパラメータをトレーニングしたりすることで、適用性をさらに向上する。
関連論文リスト
- COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳(メタデータ) (2025-06-25T07:04:49Z) - Principled Input-Output-Conditioned Post-Hoc Uncertainty Estimation for Regression Networks [1.4671424999873808]
不確実性は安全性に敏感なアプリケーションでは重要であるが、予測性能に悪影響を及ぼすため、市販のニューラルネットワークから排除されることが多い。
本稿では,従来の入力と凍結モデルの両方に補助モデルを適用することにより,回帰タスクにおけるポストホック不確実性推定のための理論的基盤となるフレームワークを提案する。
論文 参考訳(メタデータ) (2025-06-01T09:13:27Z) - Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation [0.0]
データから物理パラメータを推定することは、物理科学における機械学習(ML)の重要な応用である。
本稿では,HigsML Uncertainty Challengeデータセット上で最高のパフォーマンスを実現するContrastive Normalizing Flows(CNFs)に基づく新しいアプローチを提案する。
論文 参考訳(メタデータ) (2025-05-13T16:14:34Z) - Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。
本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
論文 参考訳(メタデータ) (2024-10-01T04:27:07Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty
Quantification [44.598503284186336]
Conditional-Flow NeRF (CF-NeRF) は、不確実な定量化をNeRFベースのアプローチに組み込む新しい確率的フレームワークである。
CF-NeRFは、モデル化されたシーンに関連する不確実性を定量化するために使用される全ての可能な放射場モデリング上の分布を学習する。
論文 参考訳(メタデータ) (2022-03-18T23:26:20Z) - Differential privacy and robust statistics in high dimensions [49.50869296871643]
高次元Propose-Test-Release (HPTR) は指数的メカニズム、頑健な統計、Propose-Test-Release メカニズムという3つの重要なコンポーネントの上に構築されている。
本論文では,HPTRが複数のシナリオで最適サンプル複雑性をほぼ達成していることを示す。
論文 参考訳(メタデータ) (2021-11-12T06:36:40Z) - Stochastic Neural Radiance Fields:Quantifying Uncertainty in Implicit 3D
Representations [19.6329380710514]
不確かさの定量化は機械学習における長年の問題である。
本稿では,このシーンをモデル化するすべての可能なフィールドの確率分布を学習する標準NeRFの一般化であるNeural Radiance Fields (S-NeRF)を提案する。
S-NeRFは、他の領域における不確実性推定のために提案された一般的なアプローチよりも、より信頼性の高い予測と信頼性値を提供することができる。
論文 参考訳(メタデータ) (2021-09-05T16:56:43Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-13T23:08:49Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳(メタデータ) (2021-05-17T08:36:18Z) - A Kernel Framework to Quantify a Model's Local Predictive Uncertainty
under Data Distributional Shifts [21.591460685054546]
訓練されたニューラルネットワークの内部層出力は、そのマッピング機能と入力データ分布の両方に関連するすべての情報を含む。
生予測空間のPDFを明示的に推定する訓練ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
カーネルフレームワークは、モデル予測エラーを検出する能力に基づいて、はるかに精度の高いモデル不確実性推定を提供する。
論文 参考訳(メタデータ) (2021-03-02T00:31:53Z)
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。