論文の概要: Active Client Selection in Federated Trajectory Prediction with Uncertainty-Awareness and Heterogeneous Complexity

• arxiv url: http://arxiv.org/abs/2609.29600v1
• Date: Thu, 27 Aug 2026 21:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.082626
• Title: Active Client Selection in Federated Trajectory Prediction with Uncertainty-Awareness and Heterogeneous Complexity
• Title（参考訳）: 不確実性と不均一性を考慮したフェデレーション軌道予測におけるアクティブクライアント選択
• Abstract要約: 本稿では,シーンの不確実性と複雑さの認識を取り入れたアクティブクライアント選択手法のファミリーを提案する。 Argoverseの実験は、連合軌道予測が局所的に訓練されたモデルより優れていることを示している。 さらに、複雑なシーンからの知識がより容易なシーンに移行できるという直感に動機づけられた、シーンの複雑さと不確実性を共同で検討するセレクタを開発する。
• 参考スコア（独自算出の注目度）: 20.450428744349338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training sequence models such as transformers is now standard for autonomous vehicle trajectory prediction, yet assembling high-quality centralized datasets remains challenging because real-world trajectories are fragmented across regions and vehicles. Federated Learning (FL) offers a natural alternative, but faces two distinctive challenges: high scene uncertainty arising from trajectory or map ambiguity, and cross-scene complexity heterogeneity caused by diverse map topology, traffic density, agent composition, and driving behaviors. We propose a family of active client selection methods that progressively incorporate awareness of scene uncertainty and complexity to prioritize informative clients. Our uncertainty-aware selectors use per-client negative log-likelihood under an uncertainty-aware global objective and estimated aleatoric uncertainty. We further develop a selector that jointly considers scene complexity and uncertainty, motivated by the intuition that knowledge from complex scenes can transfer to easier ones. Experiments on Argoverse show that federated trajectory prediction outperforms locally trained models. Uncertainty-aware selection accelerates convergence and improves minADE, minFDE, and MR. Under strong scene-complexity heterogeneity, our joint complexity- and uncertainty-aware selector achieves the best generalization and further accelerates convergence, demonstrating the benefit of prioritizing complex and informative scenes.
• Abstract（参考訳）: トランスフォーマーのようなトレーニングシーケンスモデルは、現在では自動運転車の軌道予測の標準となっているが、現実の軌道が地域や車両間で断片化されているため、高品質な集中型データセットを組み立てることは依然として困難である。 フェデレートラーニング(FL)は自然な代替手段を提供するが、軌跡や地図のあいまいさから生じる高いシーンの不確実性、多様な地図トポロジ、交通密度、エージェント構成、運転行動によって引き起こされるクロスシーンの複雑さの不均一性、という2つの固有の課題に直面している。 本稿では,シーンの不確実性と複雑さの認識を段階的に取り入れて,情報的クライアントの優先順位付けを行う,アクティブクライアント選択手法のファミリーを提案する。 我々の不確実性認識セレクタは、不確実性認識のグローバルな目的と推定されたアラート的不確実性の下で、クライアント毎の負のログライクレーションを使用する。 さらに、複雑なシーンからの知識がより容易なシーンに移行できるという直感に動機づけられた、シーンの複雑さと不確実性を共同で検討するセレクタを開発する。 Argoverseの実験は、連合軌道予測が局所的に訓練されたモデルより優れていることを示している。 不確実性を考慮した選択は収束を加速し, minADE, minFDE, MRを向上する。強いシーン複雑性の下では, 結合複雑性と不確実性を考慮したセレクタが最適な一般化を実現し, さらに収束を加速し, 複雑で情報的なシーンの優先順位付けの利点を示す。

関連論文リスト

• CRUISE: Vision-Language Model-Guided Uncertainty-Aware Cross-Modal Sensor Fusion for Robust Autonomous Driving [15.316817374554828]
  Cruiseは、新しい不確実性を認識したクロスモーダルセンサー融合フレームワークである。 視覚言語モデル(VLM)誘導UQモジュールを統合し、細粒度でピクセルレベルの不確実性推定を生成する。 我々は、モジュール間の依存関係を明示的にモデル化し、キャプチャする動的適応機構を導入する。
  論文  参考訳（メタデータ） (2026-08-10T07:17:00Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• A Trajectory Generator for High-Density Traffic and Diverse Agent-Interaction Scenarios [37.38654549322757]
  本稿では,シナリオ密度を同時に向上し,行動多様性を向上する新しい軌道生成フレームワークを提案する。 本手法は,動作リアリズムとシナリオレベルの安全性を保ちながら,エージェント密度と行動の多様性を著しく改善する。 我々の合成データは下流軌道予測モデルにも有効であり、高密度シナリオに挑戦する際の性能を向上させる。
  論文  参考訳（メタデータ） (2025-10-03T00:12:18Z)
• Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification [3.126303871979975]
  ShiFT (Spectral Heteroscedastic Informed Forecasting for Trajectories) は、よく校正された不確実性モデリングと情報前処理を組み合わせた新しいフレームワークである。 我々のモデルは、本質的に不確実性が高い交差点のような複雑なシナリオで優れている。
  論文  参考訳（メタデータ） (2025-04-17T17:24:50Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)

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。