論文の概要: XAI-Driven Machine Learning System for Driving Style Recognition and Personalized Recommendations

• arxiv url: http://arxiv.org/abs/2509.00802v1
• Date: Sun, 31 Aug 2025 11:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.40222
• Title: XAI-Driven Machine Learning System for Driving Style Recognition and Personalized Recommendations
• Title（参考訳）: 運転スタイル認識とパーソナライズされたレコメンデーションのためのXAI駆動機械学習システム
• Authors: Feriel Amel Sellal, Ahmed Ayoub Bellachia, Meryem Malak Dif, Enguerrand De Rautlin De La Roy, Mouhamed Amine Bouchiha, Yacine Ghamri-Doudane,
• Abstract要約: 本稿では,高い精度と解釈可能性のバランスをとる機械学習(ML)に基づく手法を提案する。 高品質なデータセットであるCARLA-Driveを導入し、ランダムフォレスト(RF)、グラディエントブースティング(XGBoost)、サポートベクターマシン(SVM)といったML技術を活用する。 さらに、安全運転のためのパーソナライズされたレコメンデーションを提供するために、SHAP(Shapley Additive Explanations)説明可能性技術を適用した。
• 参考スコア（独自算出の注目度）: 3.294370915398657
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Artificial intelligence (AI) is increasingly used in the automotive industry for applications such as driving style classification, which aims to improve road safety, efficiency, and personalize user experiences. While deep learning (DL) models, such as Long Short-Term Memory (LSTM) networks, excel at this task, their black-box nature limits interpretability and trust. This paper proposes a machine learning (ML)-based method that balances high accuracy with interpretability. We introduce a high-quality dataset, CARLA-Drive, and leverage ML techniques like Random Forest (RF), Gradient Boosting (XGBoost), and Support Vector Machine (SVM), which are efficient, lightweight, and interpretable. In addition, we apply the SHAP (Shapley Additive Explanations) explainability technique to provide personalized recommendations for safer driving. Achieving an accuracy of 0.92 on a three-class classification task with both RF and XGBoost classifiers, our approach matches DL models in performance while offering transparency and practicality for real-world deployment in intelligent transportation systems.
• Abstract（参考訳）: 人工知能(AI)は、道路の安全性、効率性、ユーザエクスペリエンスのパーソナライズを目的とした運転スタイル分類などのアプリケーションに、自動車業界でますます利用されている。 LSTM(Long Short-Term Memory)ネットワークのようなディープラーニング(DL)モデルは、このタスクで優れているが、ブラックボックスの性質は解釈可能性と信頼を制限する。 本稿では,高い精度と解釈可能性のバランスをとる機械学習(ML)に基づく手法を提案する。 我々は、高品質なデータセットであるCARLA-Driveを導入し、効率的で軽量で解釈可能なランダムフォレスト(RF)、グラディエントブースティング(XGBoost)、サポートベクトルマシン(SVM)といったML技術を活用する。 さらに、安全運転のためのパーソナライズされたレコメンデーションを提供するために、SHAP(Shapley Additive Explanations)説明可能性技術を適用した。 RFとXGBoostの分類器を併用した3クラス分類タスクにおいて精度0.92の精度を達成し,知的輸送システムにおける現実的展開の透明性と実用性を提供しながら,DLモデルと性能を比較検討した。

関連論文リスト

• SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
  我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。 安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。 我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
  論文  参考訳（メタデータ） (2025-02-28T21:53:47Z)
• TeLL-Drive: Enhancing Autonomous Driving with Teacher LLM-Guided Deep Reinforcement Learning [61.33599727106222]
  TeLL-Driveは、Teacher LLMを統合して、注意に基づく学生DRLポリシーをガイドするハイブリッドフレームワークである。 自己維持機構はDRLエージェントの探索とこれらの戦略を融合させ、政策収束を加速し、堅牢性を高める。
  論文  参考訳（メタデータ） (2025-02-03T14:22:03Z)
• Continual Learning for Behavior-based Driver Identification [5.560336593474866]
  行動に基づく運転者識別は、運転者の独特の運転行動に基づいて運転者を認識する新興技術である。 ほとんどの研究は、ディープ・ラーニング・モデルを車内に展開するという現実的な課題を考慮に入れていない。 これらの課題には、限られた計算リソースの下での運用、新しいドライバへの適応、時間の経過とともにの運転行動の変化などが含まれる。
  論文  参考訳（メタデータ） (2024-12-14T10:24:44Z)
• OWLed: Outlier-weighed Layerwise Pruning for Efficient Autonomous Driving Framework [3.8320050452121692]
  本稿では,効率的な自律運転フレームワーク Outlier-Weighed Layerwise Pruning であるOWLedを紹介する。 提案手法は,外乱特性の分布に基づいて,異なる層に対して一様でない空間比を割り当てる。 圧縮モデルが自律運転タスクに適合するようにするため、運転環境データをキャリブレーションとプルーニングの両方に組み込む。
  論文  参考訳（メタデータ） (2024-11-12T10:55:30Z)
• From Imitation to Exploration: End-to-end Autonomous Driving based on World Model [24.578178308010912]
  RAMBLEは、意思決定を駆動するエンド・ツー・エンドの世界モデルベースのRL方式である。 複雑な動的トラフィックシナリオを処理できる。 CARLA Leaderboard 1.0では、ルート完了率の最先端のパフォーマンスを達成し、CARLA Leaderboard 2.0では38のシナリオをすべて完了している。
  論文  参考訳（メタデータ） (2024-10-03T06:45:59Z)
• Empowering Autonomous Driving with Large Language Models: A Safety Perspective [82.90376711290808]
  本稿では,Large Language Models (LLM) の自律運転システムへの統合について検討する。 LLMは行動計画におけるインテリジェントな意思決定者であり、文脈的安全学習のための安全検証シールドを備えている。 適応型LLM条件モデル予測制御(MPC)と状態機械を用いたLLM対応対話型行動計画スキームという,シミュレーション環境における2つの重要な研究について述べる。
  論文  参考訳（メタデータ） (2023-11-28T03:13:09Z)
• Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning [13.699336307578488]
  深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。 我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-18T00:00:48Z)
• Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
  商業用DLトラフィック分類エンジンでの経験を共有します。 暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。 DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-04-07T15:21:22Z)

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。