論文の概要: From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction
- arxiv url: http://arxiv.org/abs/2603.01325v1
- Date: Sun, 01 Mar 2026 23:50:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.62605
- Title: From GEV to ResLogit: Spatially Correlated Discrete Choice Models for Pedestrian Movement Prediction
- Title（参考訳）: GEVからResLogitへ:歩行者運動予測のための空間的関連離散選択モデル
- Authors: Rulla Al-Haideri, Bilal Farooq,
- Abstract要約: 我々は、歩行者の次のステップ選択を、速度調整と方向変更のグリッドによって定義される空間的な離散的な選択として定式化する。
密度の高い高頻度空間選択セットでは、学習に基づく残差補正は、アナリストが指定したGEVネスト構造よりも、近接誘導相関を効果的に捉えることができる。
- 参考スコア（独自算出の注目度）: 1.8262547855491453
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High frequency pedestrian motion forecasting when interacting with autonomous vehicles (AVs) can be enhanced through the use of behavioural frameworks, such as discrete choice models, that can explicitly account for correlation among similar movement alternatives. We formulate the pedestrian next step choice as a spatial discrete choice defined by a grid of speed adjustment and heading change. Using naturalistic pedestrian-AV encounters from nuScenes and Argoverse 2 (1 sec decision interval), we estimate a multinomial logit baseline and four spatial generalized extreme value (GEV) specifications (SCL, GSCL, SCNL, and GSCNL). We then compare them to a residual neural network logit (ResLogit) model that learns cross alternative effects while retaining an interpretable linear utility component. Across the evaluated data, spatial GEV structures yield only marginal improvements over multinomial logit, whereas ResLogit achieves a substantially better fit and produces behaviourally coherent errors concentrated among neighbouring grid cells. The results suggest that in dense, high frequency spatial choice sets, learning based residual corrections can capture proximity induced correlation more effectively than analyst specified GEV nesting structures, while maintaining interpretability.
- Abstract（参考訳）: 自律走行車(AV)と相互作用する際の高速な歩行者動作予測は、個別選択モデルのような行動的枠組みを用いることで、類似の移動手段間の相関を明示的に説明できる。
我々は、歩行者の次のステップ選択を、速度調整と方向変更のグリッドによって定義される空間的な離散的な選択として定式化する。
nuScenes と Argoverse 2 (1 sec decision interval) からの自然主義的歩行者とAVの出会いを用いて,多項ロジットベースラインと4つの空間一般化極値(GEV)仕様(SCL,GSCL,SCNL,GSCNL)を推定する。
次に、これらを、解釈可能な線形ユーティリティコンポーネントを保持しながら、クロス代替効果を学習する残留ニューラルネットワークロジット(ResLogit)モデルと比較する。
評価データ全体では、空間的なGEV構造はマルチノードロジットよりも限界的な改善しか得られず、ResLogitは大幅に適合し、近隣の格子細胞に集結した行動整合性エラーを発生させる。
その結果, 高頻度空間選択集合において, 学習に基づく残差補正は, 解釈可能性を維持しつつ, 分析対象のGEVネスト構造よりも効率的に近接誘導相関を捕捉できることが示唆された。
関連論文リスト
- GRAFT: Decoupling Ranking and Calibration for Survival Analysis [12.400774220062303]
GRAFT(英語版)は、校正から予後を分離する新しい AFT モデルである。
GRAFTのハイブリッドアーキテクチャは、線形AFTモデルと非線形残留ニューラルネットワークを組み合わせるとともに、自動的なエンドツーエンドの特徴選択のためのゲートを統合する。
公的なベンチマークでは、GRAFTは差別とキャリブレーションにおいてベースラインよりも優れ、高ノイズ環境では頑丈でスパースである。
論文 参考訳（メタデータ） (2026-02-08T09:32:24Z) - Learning to Guide Local Search for MPE Inference in Probabilistic Graphical Models [7.287294240824019]
確率的グラフィカルモデル(PGM)におけるほとんどの確率的説明(MPE)推論は、根本的なが計算的に難しい問題である。
本稿では、繰り返しクエリー方式における局所探索を改善するためのニューラルネットワークのアモート化フレームワークを提案する。
理論的な直観リンクによる距離低減移動選択を行い, 隣り合う選択時の約束を改良する。
論文 参考訳（メタデータ） (2026-02-01T22:43:28Z) - LARGE: A Locally Adaptive Regularization Approach for Estimating Gaussian Graphical Models [2.3696387635465608]
グラフ推定のための局所適応正規化法(LARGE)を開発した。
LARGEは、グラフ推定と選択を改善するためにノードワイズチューニングパラメータを適応的に学習するアプローチである。
実際のfMRIデータセットから脳の接続性を推定し,本手法の実用性を示す。
論文 参考訳（メタデータ） (2026-01-14T18:37:50Z) - Interpretable and Adaptive Node Classification on Heterophilic Graphs via Combinatorial Scoring and Hybrid Learning [1.2691047660244335]
グラフニューラルネットワーク(GNN)は、ホモフィルグラフ上で強い性能を達成するが、隣接するノードがしばしば異なるクラスに属しているため、しばしば過度に苦労する。
本稿では、深いメッセージパッシングではなく、明示的な推論に基づく半教師付きノード分類のための解釈可能かつ適応的なフレームワークを提案する。
ヘテロ親和性および遷移性ベンチマークの実験は、現代のGNNと競合する性能を示し、解釈可能性、マグロ、計算効率の利点を提供する。
論文 参考訳（メタデータ） (2025-12-22T20:50:44Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D
Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。
エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。
3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文 参考訳（メタデータ） (2020-12-15T11:42:17Z) - 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) - Self-Guided Adaptation: Progressive Representation Alignment for Domain
Adaptive Object Detection [86.69077525494106]
非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。
既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。
本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
論文 参考訳（メタデータ） (2020-03-19T13:30:45Z)
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。