論文の概要: H2C: Hippocampal Circuit-inspired Continual Learning for Lifelong Trajectory Prediction in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2508.01158v2
• Date: Sat, 09 Aug 2025 02:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 13:12:52.232233
• Title: H2C: Hippocampal Circuit-inspired Continual Learning for Lifelong Trajectory Prediction in Autonomous Driving
• Title（参考訳）: H2C: 自律走行における生涯軌跡予測のための海馬回路インスパイアされた連続学習
• Authors: Yunlong Lin, Zirui Li, Guodong Du, Xiaocong Zhao, Cheng Gong, Xinwei Wang, Chao Lu, Jianwei Gong,
• Abstract要約: 本研究では,海馬回路にインスパイアされた連続学習法(H2C)を提案する。 実験結果から,H2CはDLベースラインの破滅的忘れをタスクフリーで平均22.71%減少させることがわかった。
• 参考スコア（独自算出の注目度）: 11.210617367855317
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) has shown state-of-the-art performance in trajectory prediction, which is critical to safe navigation in autonomous driving (AD). However, most DL-based methods suffer from catastrophic forgetting, where adapting to a new distribution may cause significant performance degradation in previously learned ones. Such inability to retain learned knowledge limits their applicability in the real world, where AD systems need to operate across varying scenarios with dynamic distributions. As revealed by neuroscience, the hippocampal circuit plays a crucial role in memory replay, effectively reconstructing learned knowledge based on limited resources. Inspired by this, we propose a hippocampal circuit-inspired continual learning method (H2C) for trajectory prediction across varying scenarios. H2C retains prior knowledge by selectively recalling a small subset of learned samples. First, two complementary strategies are developed to select the subset to represent learned knowledge. Specifically, one strategy maximizes inter-sample diversity to represent the distinctive knowledge, and the other estimates the overall knowledge by equiprobable sampling. Then, H2C updates via a memory replay loss function calculated by these selected samples to retain knowledge while learning new data. Experiments based on various scenarios from the INTERACTION dataset are designed to evaluate H2C. Experimental results show that H2C reduces catastrophic forgetting of DL baselines by 22.71% on average in a task-free manner, without relying on manually informed distributional shifts. The implementation is available at https://github.com/BIT-Jack/H2C-lifelong.
• Abstract（参考訳）: 深層学習(DL)は、自律走行(AD)における安全なナビゲーションにとって重要な軌道予測において、最先端のパフォーマンスを示している。 しかし、ほとんどのDLベースの手法は破滅的な忘れ込みに悩まされ、新しい分布に適応することで、以前に学習した手法では性能が著しく低下する可能性がある。 学習知識を保持できないことは、ADシステムが動的分布を持つ様々なシナリオで運用する必要がある実世界での適用性を制限している。 神経科学によって明らかにされるように、海馬回路は記憶の再生において重要な役割を担い、限られた資源に基づいて学習知識を効果的に再構築する。 そこで本研究では,海馬回路にインスパイアされた連続学習法(H2C)を提案する。 H2Cは、学習されたサンプルの小さなサブセットを選択的にリコールすることで、事前の知識を保持する。 まず、学習知識を表すサブセットを選択するための2つの補完戦略を開発する。 具体的には、サンプル間の多様性を最大化して、特異な知識を表現し、他方は、等価サンプリングによって全体的知識を推定する。 そして、選択したサンプルによって計算されたメモリ再生損失関数を介してH2Cを更新し、新しいデータを学習しながら知識を保持する。 InterActionデータセットの様々なシナリオに基づく実験は、H2Cを評価するように設計されている。 実験結果から,H2Cは,手動による分散シフトに頼ることなく,平均で22.71%のDLベースラインの破滅的忘れを減少させることが示された。 実装はhttps://github.com/BIT-Jack/H2C-lifelongで公開されている。

関連論文リスト

• LifelongPR: Lifelong knowledge fusion for point cloud place recognition based on replay and prompt learning [15.464706470200337]
  ポイントクラウドプレース認識(PCPR)は、フォトグラメトリーやロボティクスの応用において重要な役割を担っている。 既存のPCPRモデルは、しばしば破滅的な忘れ込みに悩まされ、性能が著しく低下する。 本稿では,PCPRの新しい連続学習フレームワークであるLifelongPRを提案する。
  論文  参考訳（メタデータ） (2025-07-14T08:13:33Z)
• Sample Compression for Self Certified Continual Learning [4.354838732412981]
  連続学習アルゴリズムは、一連のタスクから学習することを目的としており、トレーニング分布を静止しないものにしている。 提案手法はCoP2L(Continual Pick-to-Learn)と呼ばれ,各タスクの最も代表的なサンプルを効率的に保持することができる。
  論文  参考訳（メタデータ） (2025-03-13T16:05:56Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• AdaER: An Adaptive Experience Replay Approach for Continual Lifelong Learning [16.457330925212606]
  持続的生涯学習の課題に対処するために,適応的経験リプレイ(AdaER)を提案する。 AdaERはメモリリプレイとメモリ更新という2つのステージで構成されている。 結果: AdaERは、既存の持続的生涯学習ベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-08-07T01:25:45Z)
• Reinforcement Learning from Passive Data via Latent Intentions [86.4969514480008]
  我々は、下流RLを加速する機能を学ぶために、受動的データが引き続き使用できることを示す。 我々のアプローチは、意図をモデル化することで受動的データから学習する。 実験では、クロス・エボディメント・ビデオデータやYouTubeビデオなど、さまざまな形式の受動的データから学習できることを実証した。
  論文  参考訳（メタデータ） (2023-04-10T17:59:05Z)
• Adaptive Cross Batch Normalization for Metric Learning [75.91093210956116]
  メトリクス学習はコンピュータビジョンの基本的な問題である。 蓄積した埋め込みが最新であることを保証することは、同様に重要であることを示す。 特に、蓄積した埋め込みと現在のトレーニングイテレーションにおける特徴埋め込みとの間の表現的ドリフトを回避する必要がある。
  論文  参考訳（メタデータ） (2023-03-30T03:22:52Z)
• vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
  本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。 vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。 本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-23T22:14:17Z)
• Learning to Prompt for Continual Learning [34.609384246149325]
  本研究は,テスト時にタスクの同一性にアクセスすることなく,より簡潔なメモリシステムのトレーニングを目的とした,連続学習のための新しいパラダイムを提案する。 本手法は,タスク遷移の異なるタスクを逐次学習するための事前学習モデル(L2P)を動的に学習する。 目的は、モデル予測を指示するプロンプトを最適化し、モデル可塑性を維持しながら、タスク不変およびタスク固有知識を明示的に管理することである。
  論文  参考訳（メタデータ） (2021-12-16T06:17:07Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)

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。