論文の概要: Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs
- arxiv url: http://arxiv.org/abs/2606.26424v1
- Date: Wed, 24 Jun 2026 22:26:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.09349
- Title: Rethinking Training & Inference for Forecasting: Linking Winner-Take-All back to GMMs
- Title（参考訳）: 予測のためのトレーニングと推論の再考:-すべての勝者をGMMにリンクする
- Abstract要約: 自律走行のための軌道予測は急速に進歩しているが、代表モデルはしばしば予測モードよりも非形式的な後部を生成する。
我々は、この K-平均的なハード割当 (one-hot) が非形式的モード確率の源であると主張する。
当科では,(1)近隣の候補軌跡を集約するテストタイム後方重み付け,(2)1段階の予測最大化(EM)更新の2つの治療方法を紹介した。
- 参考スコア（独自算出の注目度）: 48.245159309501666
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Trajectory forecasting for autonomous driving has advanced rapidly, yet representative models often produce uninformative posteriors over forecast modes, causing problems for mode pruning. We trace this to a modeling-training mismatch: forecasters are typically modeled as conditional Gaussian mixture models (GMMs) but trained with a winner-take-all (WTA) loss that assigns each sample to its nearest mode. We argue that this K-means-like hard assignment (one-hot), while preventing mode collapse, is the source of uninformative mode probabilities: it over-segments the trajectory space, ignores relatedness among nearby modes, and yields assignment instability under small perturbations. Guided by this lens, we introduce two post-hoc treatments: (1) test-time posterior-weighted merging that aggregates nearby candidate trajectories; and (2) a one-step expectation-maximization (EM) update that replaces hard labels with soft responsibilities, sharing probability mass across neighboring modes. Across several WTA-trained architectures, these lightweight steps produce more informative, faithfully ranked mode posteriors and strengthen final forecasts on popular displacement metrics -- without retraining. Our analysis unifies recent design choices through a GMM-vs-K-means perspective and offers principled, practical corrections that better align training objectives with inference.
- Abstract（参考訳）: 自律走行のための軌道予測は急速に進歩しているが、代表モデルはしばしば予測モードよりも非形式的な後部を発生させ、モードプルーニングの問題を引き起こしている。
予測器は通常、条件付きガウス混合モデル(GMM)としてモデル化されるが、各サンプルを最も近いモードに割り当てるWTA損失で訓練される。
このK平均的なハード割当(ワンホット)は、モード崩壊を防ぐ一方で、不定形モード確率の源であり、軌道空間をオーバーセグし、近くのモード間の関連性を無視し、小さな摂動の下で代入不安定をもたらす。
このレンズを応用して,(1)近傍の候補軌跡を集約するテスト時間後重み付け,(2)硬質ラベルをソフトな責任に置き換える1段階の期待最大化(EM)更新,および近隣モード間で確率質量を共有する2つのポストホック処理を導入する。
いくつかのWTAで訓練されたアーキテクチャの中で、これらの軽量なステップは、より情報豊かで忠実にランク付けされたモードの後部を産み出し、人気のある変位指標に関する最終的な予測を強化します。
我々の分析は、GMM-vs-K-平均的な視点で最近の設計選択を統一し、トレーニング目標と推論をよりよく整合させる、原則付き実用的な修正を提供する。
関連論文リスト
- Unveiling Stochasticity: Universal Multi-modal Probabilistic Modeling for Traffic Forecasting [3.268970214362015]
本稿では,既存のモデルを確率的予測子に変換するエレガントで普遍的なアプローチを提案する。
複数のトラフィックデータセットの実験は、我々のアプローチが古典的なモデルアーキテクチャから近代的なモデルアーキテクチャへと一般化していることを示している。
実際の都市交通ネットワークに関するより詳細な研究を行い,データ品質の不確実性の影響について検討した。
論文 参考訳（メタデータ） (2026-04-17T14:10:16Z) - Don't double it: Efficient Agent Prediction in Occlusions [1.1338062042380708]
密集した交通機関は、隠れた歩行者や車両が予期せず現れるため、自動運転車にとって重大な課題となる。
既存の学習ベースの手法は、1つのエージェントが複数回識別された場合、冗長な占有率予測を生成することが多い。
我々は、最先端のSceneInformerアーキテクチャをベースにした、新しいトランスフォーマーベースのアプローチであるMatchInformerを紹介する。
論文 参考訳（メタデータ） (2026-01-29T10:22:38Z) - Toward Reliable Machine Unlearning: Theory, Algorithms, and Evaluation [1.7767466724342065]
本稿では,SOTA MIAスコアに基づく画像分類の最先端手法を超越したAdrial Machine UNlearning(AMUN)を提案する。
既存の手法は、最寄りの会員推定攻撃(MIA-NN)を導入して、再訓練されたモデルの動作を再現できないことを示す。
そこで我々は,スクラッチから再学習したモデルが生成する残りのクラスに対する分布を,クラス入力に対して近似することで,このリークを緩和する微調整対象を提案する。
論文 参考訳（メタデータ） (2025-12-07T20:57:25Z) - SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。
第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
論文 参考訳（メタデータ） (2025-10-22T16:11:22Z) - Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。
本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。
我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文 参考訳（メタデータ） (2025-05-21T07:16:44Z) - Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。
我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
論文 参考訳（メタデータ） (2024-09-17T13:26:17Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。
パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
論文 参考訳（メタデータ） (2022-04-13T12:43:12Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。