論文の概要: Observability-Aligned Evidential Masked Pretraining for Reliable VRU Motion Prediction

• arxiv url: http://arxiv.org/abs/2610.39958v1
• Date: Thu, 29 Oct 2026 12:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.506954
• Title: Observability-Aligned Evidential Masked Pretraining for Reliable VRU Motion Prediction
• Title（参考訳）: 信頼性VRU動作予測のための可観測性対応型証拠マスクプレトレーニング
• Abstract要約: Vulnerable Road User (VRU) 予測は、部分的な可観測性と分散シフトの下で動作しなければならない。 この設定では、仮面事前学習が魅力的である。なぜなら、自己監督中に、モデルが欠落したコンテンツに自然に露出するためである。 eCoMAE(ecoMAE)は、明らかなマスク付き事前訓練法で、予測的証拠を観察対象と明確に一致させる。
• 参考スコア（独自算出の注目度）: 8.187391755602958
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vulnerable road user (VRU) prediction must operate under partial observability and distribution shift, so reliable uncertainty matters alongside accuracy. Masked pretraining is attractive in this setting because it naturally exposes the model to missing content during self-supervision, but existing time-series masked autoencoding methods are typically deterministic and do not constrain how confidence should change with observability. We introduce eCoMAE, an evidential masked pretraining method for multivariate time series that explicitly aligns predictive evidence with what is observed. eCoMAE combines block-wise time-step masking with a Normal-Inverse-Gamma decoder and three observability-aware mechanisms: uncertainty-weighted mean consistency on positions visible in both a masked view and a reference pass, evidence suppression on masked positions, and representation consistency across stochastic masks. On IMPTC benchmark for VRU intention prediction under leave-one-environment-out weather shift, eCoMAE improves the strongest baseline from 0.7971 to 0.8068 in OOD accuracy and from 0.0718 to 0.0648 in OOD AURC. Additional evaluation on pedestrian trajectory forecasting across IMPTC, Waymo, nuScenes, and inD further yields the best fine-tuning MSE on all four datasets. These results show that observability-aligned evidential pretraining improves reliability under shift and remains effective beyond the primary benchmark.
• Abstract（参考訳）: Vulnerable Road User (VRU) 予測は部分的な可観測性と分布シフトの下で動作しなければなりません。 仮面事前学習は、自己スーパービジョンの間、自然に欠落したコンテンツにモデルを公開するため、この設定では魅力的であるが、既存の時系列の自動符号化方式は決定論的であり、可観測性による信頼性の変化を制限しない。 本稿では,多変量時系列に対する明らかなマスク付き事前学習手法であるeCoMAEを紹介する。 eCoMAEはブロックワイドの時間ステップマスクと通常の逆ガンマデコーダと3つの可観測性認識機構を組み合わせる: マスクされたビューと参照パスの両方で見える位置における不確実性重み付き平均整合、マスクされた位置に対するエビデンス抑制、確率的なマスク間の表現整合である。 ECoMAEはVRUの意図予測のためのIMPTCベンチマークにおいて、OOD精度が0.7971から0.8068、OOD AURCが0.0718から0.0648に改善した。 IMPTC、Waymo、nuScenes、inDにわたる歩行者軌道予測に関するさらなる評価により、4つのデータセットで最高の微調整MSEが得られる。 これらの結果は、可観測性に整合した明らかな事前学習が、シフト中の信頼性を改善し、主要なベンチマークを超える効果を保っていることを示している。

関連論文リスト

• Dynamics-Aligned Representation Learning under Induced Partial Observability [0.7018547803286913]
  本研究では,Beta-Bernoulliランダムフィールドから空間二乗マスクをサンプリングすることにより,トレーニング中に制御された部分観測性を誘導する機構を提案する。 本稿では,DeepMind Control Suite から選択した画素ベースの連続制御タスクについて,提案手法の評価を行う。
  論文  参考訳（メタデータ） (2026-10-18T19:59:40Z)
• Evaluating Accuracy and Probabilistic Reliability of Zero-Shot Time Series Foundation Models [0.0]
  Time Series Foundation Models (TSFM) はタスク固有のトレーニングを排除することでゼロショット予測へのパラダイムシフトを約束する。 本稿では,エネルギー,トラフィック,財務データセットに基づいて評価した6つのTSFMのベンチマーク研究について述べる。
  論文  参考訳（メタデータ） (2026-09-22T07:21:26Z)
• Uncertainty-Aware End-to-End AI Weather Forecasting: Disentangling Observation and Model Contributions [13.160130063828793]
  エンド・ツー・エンドの天気予報システムは、地球観測から直接、熟練したグローバルグリッドとステーションの天気予報を生成する。 ここでは、観測システムから継承された1つのアレータリック不確実性を各コンポーネントに付加することにより、Aardvark気象モデルを確率予測として表現する。 アンサンブルは中距離でERA5に対して校正され(スプレッドスキル比0.98)、RMSEは決定論的モデルの2.4%に抑えられ、リードタイム毎にCRPSで打ち負かされ、運用中のECMWFアンサンブルを追尾する。
  論文  参考訳（メタデータ） (2026-08-31T13:49:00Z)
• Latent Dynamics-Aware OOD Monitoring for Trajectory Prediction with Provable Guarantees [8.920589816043298]
  安全クリティカルなサイバー物理システムでは、正確な軌道予測が下流の計画と制御に不可欠なガイダンスを提供する。 このようなOODイベントの検出は、トラフィック条件の進化とインタラクションパターンの変化によって困難である。 我々は,変化後分布の明示的な知識を必要とせずに,累積最大離散性アプローチを拡張して検出を可能にする。 3つの実世界の運転データセットの実験では、重み付きエラーや未知のポストチェンジ条件に対する検出遅延と堅牢性の低減が示されている。
  論文  参考訳（メタデータ） (2026-03-15T20:56:57Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis [1.5751034894694789]
  本稿では,精度と解釈可能性のギャップを埋めるサロゲートに基づく説明手法を開発する。 スペクトル予測可能性分析を統合し,各系列固有の予測可能性の定量化を行う。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供する。
  論文  参考訳（メタデータ） (2025-10-09T18:49:45Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Aurora: Are Android Malware Classifiers Reliable and Stable under Distribution Shift? [51.12297424766236]
  AURORAは、その信頼性と運用上のレジリエンスに基づいて、マルウェア分類器を評価するためのフレームワークである。 AURORAは、ポイント・イン・タイムのパフォーマンスを超えるように設計されたメトリクスのセットによって補完される。 さまざまなドリフトのデータセットにわたるSOTAフレームワークの脆弱性は、ホワイトボードへの復帰の必要性を示唆している。
  論文  参考訳（メタデータ） (2025-05-28T20:22:43Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)

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。