論文の概要: Closed Loop Dynamic Driving Data Mixture for Real-Synthetic Co-Training

• arxiv url: http://arxiv.org/abs/2605.21372v1
• Date: Wed, 20 May 2026 16:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.783742
• Title: Closed Loop Dynamic Driving Data Mixture for Real-Synthetic Co-Training
• Title（参考訳）: 実合成協調訓練のための閉ループ動的駆動データ混合器
• Abstract要約: 本研究では,シーン表現,データ混合最適化,検索,モデル学習,評価を統合した完全自動データエンジンを提案する。 AutoScaleはバニラのコトレーニングとクロスドメインのベースラインより優れており、制約された予算の下では、より少ない合成サンプルでパフォーマンスが向上している。
• 参考スコア（独自算出の注目度）: 16.772111542305296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data scaling is fundamental to modern deep learning, and grows increasingly critical as autonomous driving shifts to end-to-end learning. Real-world driving data is expensive to annotate and scene-biased, making real-synthetic co-training with near-infinite synthetic data a promising direction. However, naively incorporating all available synthetic data is inefficient and leads to distribution shifts, and optimizing data mixture under practical training budgets remains a critical yet under-explored problem. In this sense, we claim that the mixture of training data requires clear guidance in terms of scene types and quantities. Particularly in this work, we conceptualize the data mixture approximately as a dynamic optimization process that iteratively adjusts the training data mixture to maximize model performance, guided by closed-loop evaluation feedback, and propose AutoScale, a fully automated closed-loop data engine unifying scene representation, data mixture optimization and retrieval, as well as model training and evaluation. Specifically, we propose Graph Regularized AutoEncoder (Graph-RAE) for driving scene representations, introduce Cluster-aware Gradient Ascent (Cluster-GA) for cluster-wise importance estimation and reweighting, and perform cluster-guided vector retrieval to select high-value samples. Experiments on NavSim demonstrate that AutoScale outperforms vanilla co-training and cross-domain baselines, achieving better performance with fewer synthetic samples under constrained budgets.
• Abstract（参考訳）: データスケーリングは現代のディープラーニングの基本であり、エンドツーエンドの学習に自律的な運転がシフトするにつれて、ますます重要になっている。 実世界の運転データは、アノテートとシーンバイアスを伴い、ほぼ無限の合成データとリアル合成のコトレーニングを有望な方向とする。 しかし、すべての利用可能な合成データを間接的に組み込むことは非効率であり、分散シフトを招き、実際の訓練予算下でのデータ混合を最適化することは、依然として重要で未探索の課題である。 この意味で、トレーニングデータの混合には、シーンタイプと量の観点から明確なガイダンスが必要である、と我々は主張する。 特に本研究では,モデル性能を最大化するためにトレーニングデータ混在を反復的に調整する動的最適化プロセスとしてデータ混在を概念化し,シーン表現,データ混在最適化と検索,モデルトレーニングと評価を一体化した完全自動クローズドループデータエンジンであるAutoScaleを提案する。 具体的には、シーン表現を駆動するためのグラフ正規化オートエンコーダ(Graph-RAE)を提案し、クラスタ単位の重要度推定と再重み付けのためのクラスタ対応グラディエントアセント(Cluster-GA)を導入し、クラスタ誘導ベクトル探索を行い、高値サンプルを選択する。 NavSimの実験では、AutoScaleはバニラのコトレーニングとクロスドメインのベースラインより優れており、制約された予算の下では、より少ない合成サンプルでより良いパフォーマンスを実現している。

関連論文リスト

• Training-Free Metrics for Synthetic Object Detection Data: A Proxy for Detector Performance [3.052250424013348]
  条件合成ドメインマッチング(CCDM)は、下流検出のための候補合成トレーニングセットの相対的ユーティリティのプロキシとして機能する。 VisDrone-DETデータセットの実験により、CCDM計量系は、YOLOv8の下流性能と1.0のスピアマン相関を達成した。
  論文  参考訳（メタデータ） (2026-06-18T05:46:23Z)
• Data-Centric Visual Development for Self-Driving Labs [11.559239027724884]
  われわれはSDLにおいて最も重要かつ精度の高い行動であるピッティングに焦点をあてる。 私たちは、実際のデータ生成と仮想データ生成を融合するハイブリッドパイプラインを構築しています。 保持された実際のテストセットでは、自動取得された実画像に基づいて完全に訓練されたモデルが99.6%の精度に達する。
  論文  参考訳（メタデータ） (2025-12-01T18:59:57Z)
• Less is More: Adaptive Coverage for Synthetic Training Data [20.136698279893857]
  本研究では,最大カバレッジ問題に基づく新しいサンプリングアルゴリズムを導入し,合成されたデータセットから代表サブセットを選択する。 この結果から,この文脈的にサンプリングされたサブセット上での分類器のトレーニングは,データセット全体のトレーニングよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-04-20T06:45:16Z)
• Data Scaling Laws for End-to-End Autonomous Driving [83.85463296830743]
  16時間から8192時間に及ぶ内部駆動データセット上での簡易エンド・ツー・エンド駆動アーキテクチャの性能評価を行った。 具体的には、目標の性能向上を達成するために、どの程度のトレーニングデータが必要かを調査する。
  論文  参考訳（メタデータ） (2025-04-06T03:23:48Z)
• Enhancing Generalization via Sharpness-Aware Trajectory Matching for Dataset Condensation [37.77454972709646]
  学習した合成データセットの一般化能力を高めるシャープネス認識軌道マッチング(SATM)を導入する。 我々の手法は数学的に十分サポートされており、制御可能な計算オーバーヘッドとともに実装が容易である。
  論文  参考訳（メタデータ） (2025-02-03T22:30:06Z)
• DreamMask: Boosting Open-vocabulary Panoptic Segmentation with Synthetic Data [61.62554324594797]
  オープンな語彙設定でトレーニングデータを生成する方法と、実データと合成データの両方でモデルをトレーニングする方法を探索するDreamMaskを提案する。 一般的に、DreamMaskは大規模なトレーニングデータの収集を著しく単純化し、既存のメソッドのプラグイン・アンド・プレイ・エンハンスメントとして機能する。 例えば、COCOで訓練しADE20Kで試験すると、ドリームマスクを装備したモデルは以前の最先端の2.1% mIoUよりも優れていた。
  論文  参考訳（メタデータ） (2025-01-03T19:00:00Z)
• Multi-Armed Bandit Approach for Optimizing Training on Synthetic Data [7.603659241572307]
  動的ユーザビリティ指標と組み合わせた UCB ベースのトレーニング手法を提案する。 提案手法は,合成画像と対応する実・合成データセットからの低レベル・高レベル情報を統合する。 提案手法は, ユーザビリティに基づいて, 合成画像のランク付けに有効な方法であることを示す。
  論文  参考訳（メタデータ） (2024-12-06T23:36:36Z)
• AutoScale: Scale-Aware Data Mixing for Pre-Training LLMs [59.12061830645018]
  より小さなスケールで良好に機能するデータ混合物は、大規模なスケールではその利点を保たない可能性があることを示す。 2段階のスケール対応データ合成フレームワークであるAutoScaleを提案する。
  論文  参考訳（メタデータ） (2024-07-29T17:06:30Z)
• Generative Expansion of Small Datasets: An Expansive Graph Approach [13.053285552524052]
  最小限のサンプルから大規模で情報豊富なデータセットを生成する拡張合成モデルを提案する。 自己アテンション層と最適なトランスポートを持つオートエンコーダは、分散一貫性を洗練させる。 結果は同等のパフォーマンスを示し、モデルがトレーニングデータを効果的に増強する可能性を示している。
  論文  参考訳（メタデータ） (2024-06-25T02:59:02Z)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• AutoFlow: Learning a Better Training Set for Optical Flow [62.40293188964933]
  AutoFlowは、光学フローのトレーニングデータをレンダリングする手法である。 AutoFlowはPWC-NetとRAFTの両方の事前トレーニングにおいて最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-04-29T17:55:23Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。