論文の概要: SceneSelect: Selective Learning for Trajectory Scene Classification and Expert Scheduling

• arxiv url: http://arxiv.org/abs/2604.24514v1
• Date: Mon, 27 Apr 2026 14:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.071626
• Title: SceneSelect: Selective Learning for Trajectory Scene Classification and Expert Scheduling
• Title（参考訳）: SceneSelect: 軌道場面分類とエキスパートスケジューリングのための選択学習
• Authors: Xinrun Wang, Deshun Xia, Ke Xu, Weijie Zhu,
• Abstract要約: 高精度な軌道予測は、高シーンの不均一性のため、基本的に困難である。 既存のアプローチは一般に単一の統一モデルを訓練し、固定容量アーキテクチャが普遍的に一般化することを期待する。 このボトルネックを克服するために,シーン中心の新たなパラダイムである選択的学習を提案する。 本手法は,強い単一モデルとアンサンブルベースラインを一貫して上回り,平均10.5%の改善を実現している。
• 参考スコア（独自算出の注目度）: 19.247467220407717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trajectory prediction is fundamentally challenging due to high scene heterogeneity - the severe variance in motion velocity, spatial density, and interaction patterns across different real-world environments. However, most existing approaches typically train a single unified model, expecting a fixed-capacity architecture to generalize universally across all possible scenarios. This conventional model-centric paradigm is fundamentally flawed when confronting such extreme heterogeneity, inevitably leading to a severe generalization gap, degraded accuracy, and massive computational waste. To overcome this bottleneck, rather than refining restricted model-centric architectures, we propose selective learning, a novel scene-centric paradigm. It explicitly analyzes the characteristics of the underlying scene to dynamically route inputs to the most appropriate expert models. As a concrete implementation of this paradigm, we introduce SceneSelect. Specifically, SceneSelect utilizes unsupervised clustering on interpretable geometric and kinematic features to discover a latent scene taxonomy. A highly decoupled classification module is then trained to assign real-time inputs to these scene categories, and a highly extensible, plug-and-play scheduling policy automatically dispatches the trajectory sequence to the optimal expert predictor. Crucially, this decoupled design ensures excellent generalization capabilities, allowing seamless integration with different off-the-shelf models and robust adaptation across new datasets without requiring computationally expensive joint retraining. Extensive experiments on three public benchmarks (ETH-UCY, SDD, and NBA) demonstrate that our method consistently outperforms strong single-model and ensemble baselines, achieving an average improvement of 10.5%, showcasing the effectiveness of scene-aware selective learning.
• Abstract（参考訳）: 正確な軌道予測は、様々な現実世界環境における動き速度、空間密度、相互作用パターンの過度なばらつきという、高いシーンの不均一性のため、基本的に困難である。 しかし、既存のほとんどのアプローチは単一の統一モデルを訓練し、固定容量アーキテクチャがすべての可能なシナリオを普遍的に一般化することを期待している。 従来のモデル中心のパラダイムは、このような極端な不均一性に直面する際に根本的な欠陥があり、必然的に深刻な一般化ギャップ、劣化した精度、巨大な計算廃棄物に繋がる。 このボトルネックを克服するために、制約付きモデル中心アーキテクチャを洗練するのではなく、新しいシーン中心のパラダイムである選択的学習を提案する。 基礎となるシーンの特徴を明示的に分析し、最も適切な専門家モデルに入力を動的にルーティングする。 このパラダイムの具体的な実装として、SceneSelectを紹介します。 具体的には、SceneSelectは教師なしクラスタリングを解釈可能な幾何学的特徴とキネマティックな特徴に利用して、潜伏したシーンの分類を発見する。 高度に分離された分類モジュールは、これらのシーンカテゴリにリアルタイムな入力を割り当てるように訓練され、高度に拡張可能なプラグアンドプレイスケジューリングポリシーは、トラジェクトリシーケンスを最適な専門家予測子に自動的にディスパッチする。 重要なのは、この分離された設計により、計算コストのかかるジョイントリトレーニングを必要とせずに、さまざまなオフザシェルフモデルとのシームレスな統合と、新しいデータセット間のロバストな適応が可能になる。 3つの公開ベンチマーク(ETH-UCY, SDD, NBA)の大規模な実験により,我々の手法は強い単一モデルとアンサンブルベースラインを一貫して上回り,平均10.5%の改善を実現し,シーン認識選択学習の有効性を示した。

関連論文リスト

• SAIL: Scene-aware Adaptive Iterative Learning for Long-Tail Trajectory Prediction in Autonomous Vehicles [22.453938678763013]
  本稿では,三つの重要な属性次元にまたがる軌跡を初めて定義し,モデル化することによって,長い尾の問題に対処する新しい枠組みを提案する。 提案手法は,属性誘導型拡張処理と特徴抽出処理を高度に適応的なコントラスト学習戦略でシナジする。 このフレームワークは、実世界の混合自律性設定における信頼性の高いAV軌道予測を推し進める。
  論文  参考訳（メタデータ） (2026-04-06T10:09:24Z)
• Isotonic Layer: A Universal Framework for Generic Recommendation Debiasing [2.24699417812702]
  Isotonic Layerは、神経アーキテクチャに直交線形フィッティングを直接統合する、斬新で差別化可能なフレームワークです。 これにより、モデルのアウトプットは、遅延関連性、相対性、品質スコアなどの重要な特徴と論理的に整合性を保つことができる。 提案手法は,2つのタスクの定式化を利用して,提案目標を遅延関連度推定とバイアス対応キャリブレーションに分解する。
  論文  参考訳（メタデータ） (2026-02-02T20:44:57Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• A General and Streamlined Differentiable Optimization Framework [10.851559133306196]
  本稿では,Julia最適化フレームワークのためのDiffOptlインタフェースを提案する。 ファーストクラスのJuMPネイティブAPIでは、ユーザが名前付きパラメータのデリバティブを直接取得することができる。 その結果、ルーチンの区別は、標準のJuMPモデリングプラクティスから逸脱することなく、実験、学習、設計を行うためのトレーニングツールになり得ることが示される。
  論文  参考訳（メタデータ） (2025-10-29T21:42:36Z)
• Nearly Instance-Optimal Parameter Recovery from Many Trajectories via Hellinger Localization [19.74516565968901]
  我々は,Hellingerのローカライゼーションフレームワークを通じて,多軌道設定におけるインスタンス最適率の範囲を拡張した。 4つのケーススタディでフレームワークをインスタンス化します。 我々の限界は、標準値よりも大幅に改善され、通常値からインスタンス最適値にほぼ一致する。
  論文  参考訳（メタデータ） (2025-10-07T20:12:04Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Selective Mixup Fine-Tuning for Optimizing Non-Decomposable Objectives [17.10165955576643]
  現在の最先端の実証技術は、実用的で非分解不能な性能目標に対して、準最適性能を提供する。 本稿では,SelMixを提案する。SelMixは,事前学習モデルに対して,選択型ミキサアップに基づく安価な微調整技術である。 提案したSelMixファインタニングにより,ベンチマーク間での様々な非分解性目標の性能が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-27T06:55:23Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Bilevel Fast Scene Adaptation for Low-Light Image Enhancement [50.639332885989255]
  低照度シーンにおける画像の強調は、コンピュータビジョンにおいて難しいが、広く懸念されている課題である。 主な障害は、異なるシーンにまたがる分散の相違によるモデリングの混乱にある。 上述の潜在対応をモデル化するための双レベルパラダイムを導入する。 エンコーダのシーン非関連な一般化を多様なシーンにもたらすために、双方向学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-06-02T08:16:21Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)

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。