論文の概要: An End-to-End Decision-Aware Multi-Scale Attention-Based Model for Explainable Autonomous Driving
- arxiv url: http://arxiv.org/abs/2605.00291v1
- Date: Thu, 30 Apr 2026 23:27:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.788741
- Title: An End-to-End Decision-Aware Multi-Scale Attention-Based Model for Explainable Autonomous Driving
- Title（参考訳）: 説明可能な自律運転のためのエンド・ツー・エンド決定型マルチスケール注意ベースモデル
- Authors: Maryam Sadat Hosseini Azad, Shahriar Baradaran Shokouhi, Amir Abbas Hamidi Imani, Shahin Atakishiyev, Randy Goebel,
- Abstract要約: 本稿では,運転決定を推論コンポーネントに入力し,各意思決定に対してケース固有の説明を同時に提供するマルチスケール注意ベースモデルを提案する。
その結果,従来のモデルと最先端モデルに比較して,推論ネットワークの優位性が示された。
- 参考スコア（独自算出の注目度）: 0.6662501454516897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The application of computer vision is gradually increasing across various domains. They employ deep learning models with a black-box nature. Without the ability to explain the behavior of neural networks, especially their decision-making processes, it is not possible to recognize their efficiency, predict system failures, or effectively implement them in real-world applications. Due to the inevitable use of deep learning in fully automated driving systems, many methods have been proposed to explain their behavior; however, they suffer from flawed reasoning and unreliable metrics, which have prevented a comprehensive understanding of complex models in autonomous vehicles and hindered the development of truly reliable systems. In this study, we propose a multi-scale attention-based model in which driving decisions are fed into the reasoning component to provide case-specific explanations for each decision simultaneously. For quantitative evaluation of our model's performance, we employ the F1-score metric, and also proposed a new metric called the Joint F1 score to demonstrate the accurate and reliable performance of the model in terms of Explainable Artificial Intelligence (XAI). In addition to the BDD-OIA dataset, the nu-AR dataset is utilized to further validate the generalization capability and robustness of the proposed network. The results demonstrate the superiority of our reasoning network over the classic and state-of-the-art models.
- Abstract（参考訳）: コンピュータビジョンの応用は、様々な領域で徐々に増加している。
彼らはブラックボックスの性質を持つディープラーニングモデルを採用している。
ニューラルネットワークの振る舞い、特に意思決定プロセスを説明する能力がなければ、その効率性を認識したり、システム障害を予測したり、現実のアプリケーションでそれらを効果的に実装することはできません。
完全自動運転システムにおける深層学習の必然的利用により、その振る舞いを説明する多くの方法が提案されているが、それらは欠陥のある推論と信頼性の低いメトリクスに悩まされ、自動運転車における複雑なモデルの包括的理解が妨げられ、真に信頼できるシステムの開発を妨げている。
本研究では,運転決定を推論成分に入力し,各意思決定に対してケース固有の説明を同時に提供するマルチスケール注意ベースモデルを提案する。
モデルの性能を定量的に評価するために、F1スコアの指標を用い、また、説明可能な人工知能(XAI)の観点からモデルの正確で信頼性の高い性能を示すためのジョイントF1スコア(Joint F1 score)と呼ばれる新しい指標を提案した。
BDD-OIAデータセットに加えて、nu-ARデータセットを使用して、提案したネットワークの一般化能力と堅牢性をさらに検証する。
その結果,従来のモデルと最先端モデルに比較して,推論ネットワークの優位性が示された。
関連論文リスト
- From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - World Models for Cognitive Agents: Transforming Edge Intelligence in Future Networks [55.90051810762702]
本稿では,世界モデルを概観し,そのアーキテクチャ,トレーニングパラダイム,予測,生成,計画,因果推論といった応用を概観する。
ワイヤレスエッジインテリジェンス最適化に適した,新しい世界モデルに基づく強化学習フレームワークであるWireless Dreamerを提案する。
論文 参考訳（メタデータ） (2025-05-31T06:43:00Z) - VACT: A Video Automatic Causal Testing System and a Benchmark [55.53300306960048]
VACTは、現実世界のシナリオにおけるVGMの因果的理解をモデル化、評価、測定するための**自動**フレームワークである。
マルチレベル因果評価指標を導入し、VGMの因果性能を詳細に分析する。
論文 参考訳（メタデータ） (2025-03-08T10:54:42Z) - SynthTree: Co-supervised Local Model Synthesis for Explainable Prediction [15.832975722301011]
本稿では,最小限の精度で説明可能性を向上させる手法を提案する。
我々は,AI技術を利用してノードを推定する新しい手法を開発した。
我々の研究は、統計的方法論が説明可能なAIを前進させる上で重要な役割を担っている。
論文 参考訳（メタデータ） (2024-06-16T14:43:01Z) - Learning An Active Inference Model of Driver Perception and Control: Application to Vehicle Car-Following [9.837204436270811]
本稿では,感覚運動制御タスクにおいて,人間の知覚と制御のモデルを学ぶための一般的な推定手法を提案する。
我々は,人間の知覚と認知科学からの行動の理論である,能動的推論と整合したモデル構造仕様を考察する。
論文 参考訳（メタデータ） (2023-03-27T13:39:26Z) - Evaluating Explainability in Machine Learning Predictions through Explainer-Agnostic Metrics [0.0]
我々は,モデル予測が説明できる範囲を定量化するために,6つの異なるモデルに依存しないメトリクスを開発した。
これらのメトリクスは、局所的な重要性、グローバルな重要性、代理予測など、モデル説明可能性のさまざまな側面を測定する。
分類と回帰タスクにおけるこれらのメトリクスの実用性を実証し、これらのメトリクスを公開のために既存のPythonパッケージに統合する。
論文 参考訳（メタデータ） (2023-02-23T15:28:36Z) - ComplAI: Theory of A Unified Framework for Multi-factor Assessment of
Black-Box Supervised Machine Learning Models [6.279863832853343]
ComplAIは、説明可能性、堅牢性、パフォーマンス、公正性、モデル行動を有効にし、観察し、分析し、定量化するユニークなフレームワークである。
教師付き機械学習モデルの評価は、正しい予測を行う能力だけでなく、全体的な責任の観点から行う。
論文 参考訳（メタデータ） (2022-12-30T08:48:19Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Explainable Human-in-the-loop Dynamic Data-Driven Digital Twins [6.657586324950896]
Digital Twins (DT) は基本的に動的データ駆動型モデルであり、現実世界のシステムのリアルタイム共生「仮想レプリカ」として機能する。
本稿では, 双方向共生感覚フィードバックを利用して, ヒューマン・イン・ザ・ループ型DDDASおよびDTシステムにおける説明可能性を活用する手法を提案する。
論文 参考訳（メタデータ） (2022-07-19T07:15:12Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z)
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。