Scenario-based Evaluation of Prediction Models for Automated Vehicles
Eindhoven University of Technology(埃因霍温理工大学);TomTom(TomTom公司);TNO(荷兰应用科学研究组织)
为了安全运行,自动驾驶汽车(AV)必须预测周围环境的变化。为此,重要的是要知道哪些预测模型最适合每种情况。目前,预测模型的评估通常是在一组轨迹上执行的,而不区分它们捕获的运动类型,导致无法确定每个模型对不同情况的适用性。在这项工作中,我们说明了标准化的评估方法如何导致错误的结论模型的预测能力,防止明确的评估预测模型,并可能导致危险的道路情况。我们认为,以下的评价实践中的安全评估AV,评估的预测模型,应在一个基于神经网络的方式进行。为了鼓励对预测模型进行基于统计的评估,并说明评估不当的危险,我们根据它们捕获的运动类型对Waymo Open Motion数据集的轨迹进行了分类。接下来,针对不同的轨迹类型和预测范围,对三种不同的模型进行了全面评估。结果表明,共同的评价方法是不够的,评估应根据应用程序中的模型将操作。
2022-10-11 cs.AI cs.LG cs.RO
Automated Machine Learning for Remaining Useful Life Predictions
USU Software AG(USU软件公司);Esslingen University of Applied Sciences(埃斯林根应用科学大学);Leibniz University Hannover(汉诺威莱布尼茨大学);University of Stuttgart(斯图加特大学);Fraunhofer IPA(弗劳恩霍夫制造工程与自动化研究所)
针对剩余使用寿命预测需机器学习专业知识的痛点,提出AutoRUL——基于AutoML的端到端集成预测方法,在8个数据集上性能比肩手工构建的先进模型,降低了领域专家的使用门槛。
2025-01-17 cs.AI cs.LG
Multi-Task Learning for Integrated Automated Contouring and Voxel-Based Dose Prediction in Radiotherapy
University of Toronto(多伦多大学)
针对放疗中自动轮廓勾画与剂量预测任务独立的问题,提出多任务学习(MTL)集成框架,在两个数据集上提升了剂量预测性能和轮廓勾画准确性,为高效准确的自动治疗计划提供支持。
2024-11-27 cs.CV cs.LG physics.med-ph
A Large-Scale Analysis on the Use of Arrival Time Prediction for Automated Shuttle Services in the Real World
Department of Technology, Management and Economics, Technical University of Denmark(技术、管理与经济学系,丹麦技术大学)
本文提出了一种自动化接驳车的到达时间预测系统,利用独立模型预测停留和运行时间,并通过现实数据验证,探讨了空间相关性和层次模型在提升预测准确性中的作用。
2026-01-06 cs.LG
Pedestrian Behavior Prediction for Automated Driving: Requirements, Metrics, and Relevant Features
Bosch Center for Artificial Intelligence(博世人工智能中心);Robert Bosch GmbH(罗伯特·博世有限公司)
该研究针对自动驾驶中行人行为预测的难点,通过系统级方法分析需求、提出新型系统视角预测指标,经大规模真实数据集验证及消融实验,证明了系统级方法的重要性。
2021-10-16 cs.LG cs.RO
Automated Agriculture Commodity Price Prediction System with Machine Learning Techniques
University of Nottingham Malaysia(诺丁汉大学马来西亚分校)
本研究的目的是研究并设计一个结合新型机器学习技术的农产品价格自动预测系统。由于农产品价格的历史数据量越来越大,以及对价格波动进行准确预测的需要,解决方法在很大程度上从统计方法转向了机器学习领域。然而,从历史数据中选择合适的集合进行预测仍然有有限的考虑。另一方面,在实施机器学习技术时,寻找一个具有全局最优参数、非线性和避免维数灾难的合适模型仍然是最大的挑战,因此需要对机器学习策略进行研究。在本研究中,我们提出了一个基于网络的农业商品价格自动预测系统。在这两个系列的实验中,五种流行的机器学习算法,ARIMA,SVR,Prophet,XGBoost和LSTM与马来西亚的大型历史数据集进行了比较,并选择了平均均方误差为0.304的最佳算法LSTM模型作为该系统的预测引擎。
2021-06-24 cs.LG
The Integration of Prediction and Planning in Deep Learning Automated Driving Systems: A Review
University of Lübeck(吕贝克大学);University of Tübingen(蒂宾根大学);Robert Bosch GmbH(罗伯特·博世有限公司)
该综述系统梳理了基于深度学习的自动驾驶规划系统中预测与规划的整合方式,分析不同整合原理的优劣,指出研究空白与未来方向,填补了该领域全面梳理的缺失。
2024-09-11 cs.AI cs.CV cs.LG
Enhancing the Performance of Automated Grade Prediction in MOOC using Graph Representation Learning
Utah State University(犹他州立大学);Nanning Normal University(南宁师范大学)
本文针对MOOC自动评估忽略实体结构联系的问题,构建知识图谱并利用图嵌入技术提取结构特征,结合实体与行为特征提升机器学习模型的学生成绩预测性能。
2023-10-18 cs.AI cs.LG
AutoCP: Automated Pipelines for Accurate Prediction Intervals
University of Cambridge(剑桥大学);UCLA(加州大学洛杉矶分校);The Alan Turing Institute(艾伦·图灵研究所)
将机器学习模型成功应用于现实世界的预测问题,例如金融预测和个性化医疗,已被证明是具有挑战性的,因为这样的设置需要限制和量化模型预测中的不确定性,即提供有效和准确的预测区间。保形预测是一种在有限样本中构造有效预测区间的无分布方法。然而,由共形预测构造的预测区间通常(由于过度拟合、不符合性的不适当测量或其他问题)过于保守,因此不适合手头的应用。本文提出了一个AutoML框架,称为自动共形预测机器学习(AutoCP)。与尝试选择最佳预测模型的熟悉AutoML框架不同,AutoCP构建了实现用户指定目标覆盖率的预测区间,同时优化了区间长度,使其准确且不那么保守。我们在各种数据集上测试了AutoCP,发现它的性能明显优于基准算法。
2020-09-13 cs.LG stat.ML
Self-Supervised Action-Space Prediction for Automated Driving
Robert Bosch GmbH(罗伯特·博世股份有限公司);Research Center for Information Technology (FZI)(信息技术研究中心(FZI))
做出明智的驾驶决策需要可靠地预测其他车辆的轨迹。在本文中,我们提出了一种新的学习多模态轨迹预测架构的自动驾驶。它通过将学习问题投射到加速度和转向角度的空间来实现运动学上可行的预测-通过执行动作空间预测,我们可以利用有价值的模型知识。此外,动作流形的维数低于状态流形的维数,其内在相关的状态更难以以学习的方式捕获。对于动作空间预测,我们提出了简单的前馈空间预测(FFW-ASP)架构。然后,我们建立在这个概念,并介绍了新的自我监督的空间预测(SSP-ASP)的架构,输出未来的环境背景下的功能,除了轨迹。自我监督架构中的一个关键要素是,基于观察到的动作历史和过去的上下文特征,在未来轨迹之前预测未来的上下文特征。所提出的方法在包含城市交叉口和环形交叉口的真实数据集上进行了评估,并显示出准确的预测,在几个预测指标中优于最先进的运动学可行预测。
2021-09-21 cs.CV cs.LG cs.RO
When to Accept Automated Predictions and When to Defer to Human Judgment?
City, University of London(伦敦城市大学)
针对分布偏移下机器学习预测不可靠的问题,提出基于聚类距离的预测可靠性评估指标,经多数据集与模型验证,可有效判定自动预测的可接受时机及需交由人类判断的场景。
2024-08-13 cs.LG stat.ML
Deep Automated Multi-task Learning
University of California, San Diego(加利福尼亚大学圣迭戈分校)
多任务学习(MTL)最近有助于学习更好的表示服务于各种NLP任务。MTL旨在通过对次要任务的联合培训来提高主要任务的性能。本文介绍了自动化的任务,利用连续性的输入数据,作为次要任务的MTL模型。我们探索下一个单词预测,下一个字符预测,和遗漏的单词完成潜在的自动化任务。我们的研究结果表明,在一个主要任务上并行训练一个次要的自动化任务,可以提高主要任务的收敛速度和准确性。我们提出了两种方法来增强现有网络的自动化任务,并建立更好的性能,在主题预测,情感分析,和标签推荐。最后,我们证明了MTL模型可以在小而口语化的数据集上表现良好。
2017-09-19 cs.LG stat.ML
QoS Prediction for 5G Connected and Automated Driving
5G通信系统可以支持许多先进的车辆到一切(V2X)用例的苛刻服务质量(QoS)要求。然而,安全和有效的驾驶,特别是自动驾驶汽车,可能会受到突然改变所提供的QoS。因此,最近5G通信系统已经实现了对QoS变化的预测以及对车辆的这些预测变化的早期通知。该解决方案使车辆能够避免或减轻应用级QoS突然变化的影响。本文介绍了5G通信系统如何生成QoS预测并将其交付给V2X应用程序。远程操作的驾驶用例作为一个例子来分析的QoS预测方案的可行性。有用的建议,为发展的QoS预测解决方案,同时确定开放的研究课题。
2021-07-11 cs.IT cs.LG cs.NI
Studying the explanations for the automated prediction of bug and non-bug issues using LIME and SHAP
TU Clausthal(克劳斯塔尔工业大学)
上下文:在问题跟踪器中识别报告的问题中的错误对于问题的分类至关重要。机器学习模型已经显示出关于自动化问题类型预测的性能的有希望的结果。然而,除了我们的假设之外,我们对这些模型如何识别bug的了解非常有限。LIME和SHAP是解释分类器预测的常用技术。目的:我们想了解机器学习模型是否为分类提供了合理的解释,并与我们对模型应该学习什么的假设保持一致。我们还想知道预测的质量是否与解释的质量相关。方法:我们进行了一项研究,根据LIME和SHAP解释问题类型预测模型结果的质量对其进行评级。为此,我们评价解释本身的质量,即,如果它们符合我们的期望,如果它们帮助我们理解底层的机器学习模型。
2022-09-15 cs.LG cs.SE
Towards Automated Neural Interaction Discovery for Click-Through Rate Prediction
Texas A&M University(德州农工大学);Facebook Inc.(Facebook公司)
点击率(CTR)预测是推荐系统中最重要的机器学习任务之一,为数十亿消费者提供个性化体验。神经网络结构搜索(NAS)作为一个新兴的领域,在发现功能强大的神经网络结构方面表现出了强大的能力,这促使我们探索其在CTR预测方面的潜力。由于1)多样的非结构化特征交互,2)异构的特征空间,以及3)高数据量和固有的数据随机性,有效地构造、搜索和比较推荐模型的不同架构是具有挑战性的。为了解决这些挑战,我们提出了一个自动交互架构发现框架的CTR预测命名AutoCTR。通过将简单但有代表性的交互模块化为虚拟构建块并将其连接到直接非循环图空间中,AutoCTR在架构级别进行进化架构探索,并使用低保真度模型实现加速。实证分析证明了AutoCTR在不同数据集上的有效性,与人工构建的架构相比。所发现的体系结构也享有不同的数据集之间的通用性和可移植性。
2020-06-29 cs.IR cs.LG
Multimodal Manoeuvre and Trajectory Prediction for Automated Driving on Highways Using Transformer Networks
WMG, University of Warwick(华威大学WMG学院);Queen’s University of Belfast(贝尔法斯特女王大学)
提出一种基于Transformer的多模态预测框架,通过定制问题公式化、预测模型和训练方法,在NGSIM、highD和exiD数据集上优于现有方法,实现更准确的高速公路车辆机动与轨迹预测。
2023-07-26 cs.LG cs.RO
Automated Model Evaluation for Object Detection via Prediction Consistency and Reliability
Yonsei University(延世大学);ETRI(电子技术研究所)
针对目标检测性能评估依赖人工标注的问题,提出基于预测一致性与可靠性的自动评估框架,利用NMS前后候选框信息实现无标签评估,搭配新建元数据集,性能优于现有方法。
2025-10-02 cs.AI cs.CV cs.LG
Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction
Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tsinghua University(清华大学);National University of Defense Technology(国防科技大学);Beijing Jiaotong University(北京交通大学)
由于交通网络的复杂时空相关性,准确的交通预测是智能交通系统中一项具有挑战性的任务。许多现有的作品利用复杂的时间建模方法,结合图卷积网络(GCN)捕捉短期和长期的时空依赖性。然而,这些设计复杂的分离模块限制了时空表示学习的有效性和效率。此外,大多数以前的工作采用固定的图构造方法来表征全局时空关系,这限制了模型对不同时间段甚至不同数据场景的学习能力。为了克服这些限制,我们提出了一个自动扩张的时空同步图网络,名为Auto-DSTSGN的流量预测。具体来说,我们设计了一个自动膨胀时空同步图(Auto-DSTSG)模块,通过以递增的顺序堆叠具有膨胀因子的更深层来捕获短期和长期的时空相关性。此外,我们提出了一个图结构搜索方法,自动构建时空同步图,可以适应不同的数据场景。在四个真实数据集上的大量实验表明,与现有方法相比,我们的模型可以实现约10%的改进。源代码可在https://github.com/jinguangyin/Auto-DSTSGN上获得。
2022-07-22 cs.LG
Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions
Pennsylvania State University(宾夕法尼亚州立大学);Dalian University of Technology(大连理工大学);Stony Brook University(石溪大学)
针对多模态EHR建模依赖手工架构的问题,本文提出AutoFM神经架构搜索框架,自动搜索模态编码与融合架构,并在真实数据上验证其性能与架构发现能力。
2024-01-20 cs.AI cs.LG
Explainable Landscape Analysis in Automated Algorithm Performance Prediction
Jožef Stefan Institute(约瑟夫·斯特凡研究所)
预测优化算法在新问题实例上的性能对于选择最合适的算法来解决该问题实例至关重要。为此,最近的研究学习监督机器学习(ML)模型使用一组问题景观功能链接到优化算法实现的性能。然而,这些模型是黑箱,其唯一目标是实现良好的预测性能,而没有提供解释哪些景观特征对优化算法实现的性能预测贡献最大。在这项研究中,我们研究了不同监督ML模型在自动算法性能预测中使用的问题景观特征的表达能力。实验结果指出,监督ML方法的选择是至关重要的,因为不同的监督ML回归模型不同地利用问题景观特征,并且关于哪些景观特征信息量最大没有共同的模式。
2022-03-22 cs.LG cs.NE
Automated Concatenation of Embeddings for Structured Prediction
ShanghaiTech University(上海科技大学);Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学);DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
预训练的上下文嵌入是结构化预测任务的强大单词表示。最近的研究发现,通过连接不同类型的嵌入可以获得更好的单词表示。然而,选择嵌入以形成最佳的级联表示通常取决于任务和候选嵌入的集合,并且嵌入类型的数量不断增加使其成为一个更加困难的问题。在本文中,我们提出了嵌入的自动连接(ACE),以自动化的过程中找到更好的串联嵌入结构化预测任务,基于最近的神经架构搜索的进展启发制定。具体地,控制器根据其考虑到任务的各个嵌入类型的有效性的当前信念,交替地对嵌入的级联进行采样,并基于奖励更新信念。我们遵循强化学习中的策略来优化控制器的参数,并根据任务模型的准确性计算奖励,该任务模型以采样的级联作为输入并在任务数据集上进行训练。在6个任务和21个数据集上的实证结果表明,我们的方法优于强基线,并在所有评估中通过微调嵌入实现了最先进的性能。
2021-06-01 cs.AI cs.CL cs.LG
Automated Cognate Detection as a Supervised Link Prediction Task with Cognate Transformer
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
本文提出一种基于变换器的同源词检测方法,将其视为有监督链接预测任务,利用同源标签并采用多序列比对输入,在监督增加时性能优于现有方法,且节省计算时间。
2024-02-05 cs.CL cs.LG cs.SI
A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction
School of Engineering and Applied Science, Ahmedabad University(艾哈迈达巴德大学工程与应用科学学院)
胶质瘤是最致命的脑肿瘤,死亡率高。人类专家的治疗计划取决于对身体症状的正确诊断以及磁共振(MR)图像分析。脑肿瘤在大小、形状、位置和大量MR图像方面的高度可变性使得分析耗时。自动分割方法实现了时间的减少,具有良好的可重复性的结果。本文旨在综述脑胶质瘤自动分割方法的进展。还必须根据基准对各种模式进行客观评价。因此,2012 - 2019年BraTS挑战数据库评估了最先进的方法。挑战下任务的复杂性已经从分割(任务1)增长到总体生存预测(任务2),再到分类的不确定性预测(任务3)。本文涵盖了使用手工特征对任务1的深度神经网络模型进行脑肿瘤分割的全部内容。其目的是展示自动化脑肿瘤模型趋势的完全变化。本文还涵盖了涉及脑肿瘤分割和总体生存预测的端到端联合模型。对各种方法进行了探讨,并对影响性能的参数进行了列表分析。
2021-03-08 cs.CV cs.LG eess.IV
On the limits of cross-domain generalization in automated X-ray prediction
Mila(米拉研究所);Université de Montréal(蒙特利尔大学)
这项大规模研究的重点是量化X射线诊断预测任务在多个不同数据集上的推广。我们提出的证据表明,泛化的问题不是由于图像的变化,而是标签的变化。我们研究了跨域性能,模型之间的协议,和模型表示。我们发现有趣的性能和协议之间的差异,既实现了良好的性能模型不同意在他们的预测,以及模型,同意但实现较差的性能。我们还通过规则化网络将多个数据集上的任务分组在一起并观察任务之间的变化来测试概念相似性。所有代码都可以在线获得,数据也可以公开获得:https://github.com/mlmed/torchxrayvision
2020-05-24 cs.LG eess.IV q-bio.QM
ParkDiffusion: Heterogeneous Multi-Agent Multi-Modal Trajectory Prediction for Automated Parking using Diffusion Models
Department of Computer Science, University of Freiburg(弗赖堡大学计算机科学系);CARIAD SE(CARIAD公司)
本文提出 ParkDiffusion,利用扩散模型结合双地图编码器、自适应智能体嵌入与运动学框架,解决自动泊车场景下车辆与行人的异构多模态轨迹预测问题,在 DLP 和 inD 数据集上显著优于现有方法。
2025-08-13 cs.LG cs.RO
Prediction Horizon Requirements for Automated Driving: Optimizing Safety, Comfort, and Efficiency
Eindhoven University of Technology(埃因霍温理工大学);TNO(荷兰应用科学研究组织);VDL CropTeq Robotics(VDL CropTeq机器人公司)
本文利用基于风险的预测轨迹规划器仿真最长20秒的预测时域,提出按安全、舒适与效率需求确定最低及最佳时域的框架,并建议横穿行人场景采用11.8秒。
2024-04-10 cs.LG cs.RO
From Correlation to Causation in Lane Change Prediction for Automated Driving: A Causal Explanation Framework
University of Alcalá(阿尔卡拉大学)
提出基于因果推断的换道预测框架,结合深度结构因果建模与干预效应分析,在预测准确率超过95%的同时,识别直接贡献变量及其因果链,实现可解释的因果推理。
2026-06-16 cs.AI cs.LG
Towards Evolutionary-based Automated Machine Learning for Small Molecule Pharmacokinetic Prediction
Baker Heart and Diabetes Institute(贝克心脏与糖尿病研究所);School of Chemistry & Molecular Biosciences, The University of Queensland(昆士兰大学化学与分子生物科学学院);The University of Melbourne(墨尔本大学)
本文提出一种基于语法遗传编程的进化AutoML方法,自动选择算法并设计个性化流水线以预测小分子ADME性质,性能与传统方法相当或更优。
2024-08-01 cs.AI cs.LG
Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks
Harvard University(哈佛大学);University of Central Florida(中佛罗里达大学)
肺癌是癌症相关死亡率的主要原因。虽然图像分割等新技术对于改善检测和早期诊断至关重要,但在治疗疾病方面仍然存在重大挑战。特别是,尽管根治性切除的数量增加,许多术后患者仍然发展为复发性病变。因此,非常需要可以更准确地预测患者复发风险的预后工具。在本文中,我们探讨了使用卷积神经网络(CNN)的分割和复发风险预测的肺肿瘤,目前在术前计算机断层扫描(CT)图像。首先,扩展医学图像分割的最新进展,使用残差U-网来定位和表征每个结节。然后,识别的肿瘤被传递到第二个CNN用于复发风险预测。该系统的最终结果由随机森林分类器产生,该分类器将第二网络的预测与临床属性合成。分割阶段使用LIDC-IDRI数据集,并达到70.3%的骰子得分。复发风险阶段使用来自国家癌症研究所的NLST数据集,并达到73.0%的AUC。我们提出的框架表明,首先,自动结节分割方法可以推广到各种多任务系统的管道,其次,深度学习和图像处理有可能改善当前的预后工具。据我们所知,这是第一个完全自动化的分割和复发风险预测系统。
2022-09-17 cs.CV cs.LG
Automated 3D Pre-Training for Molecular Property Prediction
Paradigm Inc.(第四范式公司);Tsinghua University(清华大学)
提出3D PGT预训练框架,通过多任务生成式预训练和总能量替代指标自动融合键长、键角和二面角任务,在3D分子图上预训练后微调至2D图,提升分子性质预测的准确性、效率和泛化能力。
2023-07-02 cs.AI cs.LG q-bio.QM
Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records
The Pennsylvania State University(宾夕法尼亚州立大学)
针对电子健康记录多任务疾病预测框架依赖人工设计的问题,提出AutoDP自动化方法,用代理模型优化同时搜索任务分组与架构最优配置,性能优于现有方法且搜索成本可行。
2024-10-08 cs.LG
Vehicle lateral control using Machine Learning for automated vehicle guidance
Georgia State University(佐治亚州立大学)
决策中的不确定性在用于现实世界中运行的安全关键系统的机器学习模型中至关重要。因此,以优雅的方式处理不确定性对于CPS的安全操作是重要的。在这项工作中,我们使用机器学习模型设计了车辆的横向控制器。为此,我们训练一个随机森林模型,该模型是集成模型和深度神经网络模型。由于随机森林模型中的集合,我们可以预测预测中的置信度/不确定性。我们训练我们的控制器的数据产生的运行汽车在一个轨道上的模拟器和测试它在其他轨道上。由于预测的置信度,我们可以决定控制器何时对预测不太有信心,并在需要时进行控制。我们有两个成果要分享:首先,即使在非常少量的标记数据上,基于随机森林的回归器与深度神经网络相比具有非常好的泛化能力,因此随机森林控制器可以在另一个类似的轨道上行驶,其中基于深度神经网络的模型不能行驶,第二,随机森林控制器中预测的置信度使得可以让我们知道控制器何时对预测不自信并且可能失败。通过创建阈值,可以在控制器不安全并且在基于深度神经网络的控制器中缺失时进行控制。
2023-03-14 cs.AI cs.LG
Do Lateral Views Help Automated Chest X-ray Predictions?
Mila, Quebec Artificial Intelligence Institute(魁北克人工智能研究所Mila);Université de Montréal(蒙特利尔大学)
胸部放射学中的大多数卷积神经网络仅使用额后前(PA)视图进行预测。然而,已知侧视图有助于某些疾病和病症的诊断。最近发布的PadChest数据集包含成对的PA和侧位视图,使我们能够研究当提供侧位X射线视图而不是正面后前位(PA)视图时,神经网络的性能会改善哪些疾病和病症。使用一个简单的DenseNet模型,我们发现使用侧视图增加了我们数据中56个标签中8个标签的AUC,并对其中21个标签实现了与PA视图相同的性能。我们发现,使用PA和侧视图联合并不平凡地导致性能的增加,但建议进一步调查。
2019-07-25 cs.CV cs.LG eess.IV
A Novel Deep Neural Network for Trajectory Prediction in Automated Vehicles Using Velocity Vector Field
The University of Warwick(华威大学);Warwick Manufacturing Group(华威制造集团)
本文提出将流体动力学启发的速度矢量场作为卷积-循环深度神经网络的额外输入,用于自动驾驶轨迹预测,在HighD数据集上验证了其在长时域和短观测窗口下提升预测精度的有效性。
2023-09-19 cs.CV cs.LG
AutoMO-Mixer: An automated multi-objective Mixer model for balanced, safe and robust prediction in medicine
Xi’an Jiaotong University(西安交通大学);University of Kansas Medical Center(堪萨斯大学医学中心)
通过医学图像准确识别患者的状态在诊断和治疗中起着重要的作用。人工智能(AI),特别是深度学习,已经在很多领域取得了巨大的成功。然而,在图像引导的诊断和治疗中,需要更可靠的AI模型。为了实现这一目标,需要开发一个具有统一框架的平衡,安全和健壮的模型。在这项研究中,一个新的统一模型称为自动多目标混合器(AutoMO-Mixer)模型,它利用了最近开发的多层感知器混合器(MLP-混合器)为基础。为了建立一个平衡的模型,敏感性和特异性被认为是在训练阶段同时作为目标函数。同时,提出了一种新的基于熵的证据推理方法,以保证模型在测试阶段的安全性和鲁棒性。在光学相干断层扫描数据集上的实验表明,与MLP Mixer和其他可用模型相比,AutoMO-Mixer可以获得更安全,更平衡和更鲁棒的结果。
2022-03-04 cs.CV cs.LG eess.IV
Early Lane Change Prediction for Automated Driving Systems Using Multi-Task Attention-based Convolutional Neural Networks
Warwick Manufacturing Group, University of Warwick(华威大学华威制造集团);University of Surrey(萨里大学)
车道变换是高速公路行车安全的关键操作之一。因此,提前可靠地预测这种操纵对于自动驾驶系统的安全和舒适操作至关重要。以前的大多数研究依赖于检测已经开始的机动,而不是提前预测机动。此外,大多数以前的工作没有估计机动的关键时间(例如,穿越时间),这实际上可以产生用于自我车辆中的决策的更有用的信息。为了解决这些缺点,本文提出了一种新的多任务模型,同时估计的可能性LC机动和时间车道变化(TTLC)。在这两个任务中,基于注意力的卷积神经网络(CNN)被用作来自驾驶环境的鸟瞰图表示的共享特征提取器。CNN模型中使用的空间注意力通过关注周围环境中最相关的区域来改进特征提取过程。此外,两个新的课程学习方案被用来训练所提出的方法。在现有基准数据集上对所提出的方法进行的广泛评估和比较分析表明,所提出的方法优于最先进的LC预测模型,特别是考虑到长期预测性能。
2022-03-29 cs.CV cs.LG
XAI-Refine: An Automated Explanation-Knowledge Loop for Brain-Age Prediction
Emory University(埃默里大学);Emory University School of Medicine(埃默里大学医学院)
XAI-Refine提出自动化解释-知识循环,通过整合事后分析、验证文献并转化为可微约束,实现证据引导的脑龄预测模型修正。
2026-09-10 cs.LG q-bio.NC
Prediction Factory: automated development and collaborative evaluation of predictive models
MIT(麻省理工学院)
在本文中,我们提出了一个名为“预测工厂”的数据科学自动化系统。该系统使用几种关键的自动化算法,使数据科学家能够快速开发预测模型,并与领域专家共享。为了评估系统的影响,我们实现了3种不同的界面来创建预测建模项目:基线自动化、完全自动化和可选自动化。通过在线杂货店购物者行为的数据集,我们将数据科学家分配到各个接口中,以指定预测问题,学习和评估模型,并为领域专家撰写报告,以判断是否资助继续工作。总共有22名数据科学家创建了94份报告,由26名专家进行了296次判断。在一项头对头试验中,使用完全数据科学自动化接口生成的报告有57.5%的时间得到了资助,而使用基线自动化的报告只有42.5%的时间得到了资助。与基线相比,支持可选自动化生成报告的中间接口的资助频率高出58.6%。完全自动化和可选的自动化报告的资金大约相等时,把头对头。这些结果表明,Prediction Factory已经实现了大量的自动化,以增强数据科学家的作用并改善业务成果。
2018-11-29 cs.LG stat.ML
PSMACA: An Automated Protein Structure Prediction Using MACA (Multiple Attractor Cellular Automata)
Jawaharlal Nehru Technological University(贾瓦哈拉尔·尼赫鲁科技大学);Acharya Nagarjuna University(阿查里亚纳加尔朱纳大学)
基于氨基酸序列的蛋白质结构预测是近年来蛋白质研究的热点之一。尽管有一些预测技术可以解决这个问题,但预测蛋白质结构的近似准确率接近75%。利用MACA(Multiple Attractor Cellular Automata,多吸引元胞自动机),我们开发了一个自动化的程序来预测蛋白质的结构。大多数现有的方法是顺序的,将输入分为四个主要类别,这些是为类似的序列而设计的。PSMACA被设计为从与训练序列共享模糊区相似性和同一性的序列中识别十个类。该方法还预测了结构的三种状态(螺旋、链和卷曲)。我们的综合设计考虑了10个特征选择方法和4个分类器,以开发基于MACA(多吸引子元胞自动机)的分类器,为10个类中的每一个构建。我们使用twilightzone和1-高相似度基准数据集以及超过三十个现代竞争预测器测试了拟议的分类器,结果表明PSMACA提供了最佳的总体准确度,范围在77%到88.7%之间,具体取决于数据集。
2014-01-13 cs.CE cs.LG
Towards Automated Evaluation of Explanations in Graph Neural Networks
IIT Madras(印度理工学院马德拉斯分校);IBM Research(IBM研究院);IBM(国际商业机器公司);IBM Data and AI(IBM数据与人工智能部门)
以易于理解的术语向AI应用程序的最终用户解释图神经网络预测仍然是一个未解决的问题。特别是,我们没有很好的自动评估解释的方法,更接近用户如何消费这些解释。基于最近的应用趋势和我们自己的经验,在现实世界中的问题,我们提出了自动评估方法的GNN解释。
2021-06-22 cs.AI cs.LG
AutoGEL: An Automated Graph Neural Network with Explicit Link Information
The Hong Kong University of Science and Technology(香港科技大学)
最近,图神经网络(GNN)在各种现实世界的场景中越来越受欢迎。尽管取得了巨大的成功,但GNN的架构设计严重依赖于手工劳动。因此,自动图神经网络(AutoGNN)引起了研究界的兴趣和关注,近年来取得了显着的性能改善。然而,现有的AutoGNN工作主要采用隐式的方式来建模和利用图中的链接信息,这对于图上的链接预测任务没有很好的正则化,并且限制了AutoGNN对其他图任务的性能。在本文中,我们提出了一种新的AutoGNN工作,明确建模的链接信息,简称AutoGEL。通过这种方式,AutoGEL可以处理链接预测任务,并提高AutoGNN在节点分类和图分类任务上的性能。具体而言,AutoGEL提出了一种新的搜索空间,包含层内和层间设计的各种设计维度,并采用了更强大的可微搜索算法,以进一步提高效率和有效性。在基准数据集上的实验结果证明了AutoGEL在多个任务上的优越性。
2021-12-02 cs.AI cs.LG
CoRe: An Automated Pipeline for The Prediction of Liver Resection Complexity from Preoperative CT Scans
Guerbet Research(盖尔伯特研究中心);Inserm U1193(法国国家健康与医学研究院U1193研究所);Research Center Inria Saclay Ile-de-France(法国国家信息与自动化研究所萨克莱法兰西岛研究中心);Paris – Saclay University(巴黎萨克雷大学);Paul Brousse Hospital – APHP(保罗·布鲁斯医院——巴黎公共医疗集团)
手术切除是原发性肝癌最普遍的治愈性治疗。已知位于关键位置的肿瘤使肝切除术(LR)复杂化。虽然专业医疗中心的经验丰富的外科医生可能具有准确预测LR复杂性并相应准备的必要专业知识,但能够重现这种行为的客观方法将有可能改善标准常规护理,并避免术中和术后并发症。在这篇文章中,我们提出了一个自动化的医疗图像处理管道,用于预测术后LR复杂性,从术前CT扫描,使用成像生物标志物。Core管道首先使用两个深度学习网络分割肝脏、病变和血管。然后基于拓扑标准修剪肝脏脉管系统以定义肝脏中心区(HCZ),其是围绕主要肝脏血管的凸体积,从其导出新的成像生物标志物BHCZ。提取额外的生物标志物并利用其来训练和评估LR复杂度预测模型。消融研究显示基于HCZ的生物标志物是预测LR复杂性的中心特征。最佳预测模型的准确度、F1和AUC分别为77.3%、75.4%和84.1%。
2022-10-15 cs.CV cs.LG eess.IV
Reasoning Distillation for Lightweight Automated Program Repair
Purdue University(普渡大学)
本文提出通过符号推理蒸馏提升轻量级自动程序修复模型的可解释性和鲁棒性。
2026-01-16 cs.LG
IMR: Iterative Mode-World Weighted Regression for Multi-Agent Trajectory Prediction
EACON Fujian(福建易安科)
针对多智能体轨迹预测问题,提出模式世界加权回归损失及迭代解码器,减轻模式崩溃,提高预测准确性,在Argoverse 2多智能体运动预测基准测试中排名第一。
2026-07-08 cs.AI cs.CV cs.LG
AutoRec: An Automated Recommender System
Texas A&M University(德克萨斯A&M大学)
现实的推荐系统通常需要适应不断变化的数据和任务,或者系统地探索不同的模型。为了满足这一需求,我们提出了AutoRec,这是一个从TensorFlow生态系统扩展的开源自动化机器学习(AutoML)平台,据我们所知,这是第一个利用AutoML进行深度推荐模型搜索和超参数调整的框架。AutoRec还支持高度灵活的管道,可适应稀疏和密集输入、评级预测和点击率(CTR)预测任务以及一系列推荐模型。最后,AutoRec提供了一个简单、用户友好的API。在基准数据集上进行的实验表明,AutoRec是可靠的,可以在没有先验知识的情况下识别出与最佳模型相似的模型。
2020-06-26 cs.IR cs.LG stat.ML
Automated Model Design using Gated Neuron Selection in Telecom
Ericsson Research(爱立信研究);KTH Royal Institute of Technology(皇家理工学院);Uppsala University(乌普萨拉大学)
TabGNS通过门控神经元选择方法,提升电信领域表格数据的预测性能,同时显著减少模型规模和搜索时间。
2026-02-11 cs.LG
Not All Synthetic Data Are Equal: Expert-Committee Audit Screening for Imbalanced Crash-Injury-Severity Prediction in Automated Driving Systems
Ningbo University(宁波大学);Imperial College London(帝国理工学院);The University of Hong Kong(香港大学);University College London(伦敦大学学院)
针对自动驾驶碰撞伤害严重性预测中数据不平衡与合成样本可信度不足的问题,提出专家委员会审计筛选(ECAS)框架,通过多维审计与帕累托筛选提升少数类样本质量,显著改善预测性能。
2026-09-25 cs.LG
Uncertainty quantification in automated valuation models with spatially weighted conformal prediction
University of Oslo(奥斯陆大学);North Carolina State University(北卡罗来纳州立大学)
针对房价预测中保形预测置信集因空间依赖性而校准不均的问题,提出基于空间加权非一致性分数的校准方法,并在奥斯陆房地产数据及模拟研究中验证了其能提升地理区域间覆盖范围的一致性。
2025-01-30 cs.LG stat.AP stat.ML
Predicting Driver Fatigue in Automated Driving with Explainability
The University of Michigan(密歇根大学);The University of Wisconsin(威斯康星大学);Ford Motor Company(福特汽车公司)
研究表明,单调的自动驾驶会增加疲劳驾驶的发生率。虽然提出了许多基于先进的机器学习技术的预测模型来监测驾驶员疲劳,特别是在手动驾驶中,但对这些黑箱机器学习模型的工作原理知之甚少。在本文中,我们提出了一个组合的极限梯度提升(XGBoost)和SHAP(SHapley加法解释)预测驾驶员疲劳与解释,由于其效率和准确性。首先,为了获得驾驶员疲劳的基础事实,使用0和100之间的PERCLOS(眼睑闭合在瞳孔上随时间的百分比)作为响应变量。其次,我们使用XGBoost的生理和行为测量建立了一个驾驶员疲劳回归模型,它优于其他选定的机器学习模型,均方根误差(RMSE)为3.847,平均绝对误差(MAE)为1.768,调整后的$R^2$为0.996。第三,我们使用SHAP来识别最重要的预测变量,并通过显示全局最重要的预测变量的主要影响并解释局部的单个预测来揭示黑盒XGBoost模型。这种可解释的驾驶员疲劳预测模型提供了必要时如何干预自动驾驶的见解,例如在从自动驾驶到手动驾驶的接管过渡期间。
2021-03-03 cs.LG eess.SP
Mitigating Data Imbalance in Automated Speaking Assessment
National Taiwan Normal University(台湾师范大学)
本文提出BLV损失,通过扰动模型预测来缓解自动口语评估中的数据不平衡问题,提升分类准确率和公平性。
2026-01-21 cs.CL cs.LG eess.AS
The autofeat Python Library for Automated Feature Engineering and Selection
Technische Universität Berlin(柏林工业大学);BASF SE(巴斯夫欧洲公司)
本文描述了autofeat Python库,它提供了scikit-learn风格的线性回归和分类模型,具有自动化特征工程和选择功能。复杂的非线性机器学习模型,如神经网络,在实践中通常难以训练,甚至更难向非统计学家解释,他们需要透明的分析结果作为重要业务决策的基础。虽然线性模型是有效和直观的,但它们通常提供较低的预测精度。我们的库提供了一个多步骤的特征工程和选择过程,首先生成一个大的非线性特征池,然后从中选择一个小而强大的有意义的特征集,这提高了线性模型的预测准确性,同时保留了其可解释性。
2020-02-26 cs.LG stat.ML
Mind the Student: Behavioral and Contextual Cues for Automated Engagement Prediction in Online Learning
Goethe University Frankfurt(法兰克福大学);The Hessian Center for Artificial Intelligence(黑森人工智能中心)
本研究针对在线学习中自动参与度预测的多维构念与标注主观性等挑战,提出整合多模态特征与不确定性感知预测的Perceiver IO框架,在CASED数据集上取得具竞争力性能且提供校准良好的不确定性指标。
2026-08-26 cs.AI cs.CV cs.HC
SciQu: Accelerating Materials Properties Prediction with Automated Literature Mining for Self-Driving Laboratories
Quantum Materials and Devices Unit(量子材料与器件单元);Institute of Nano Science and Technology(纳米科学与技术研究所)
本研究针对材料性能预测耗时久、需大量文献与实验的问题,开发了SciQu模型,通过自动化文献挖掘提取数据训练机器学习模型,在材料折射率预测上取得高精度,可应用于自动驾驶实验室优化合成参数。
2024-07-11 cond-mat.mtrl-sci cs.AI cs.LG
Eye Gaze-Informed and Context-Aware Pedestrian Trajectory Prediction in Shared Spaces with Automated Shuttles: A Virtual Reality Study
Department of Technology, Management and Economics at the Technical University of Denmark(丹麦技术大学技术、管理与经济学系);Department of Transport & Planning, Civil Engineering Geosciences at Delft University of Technology(代尔夫特理工大学交通运输与规划、土木工程与地质科学系)
通过虚拟现实实验收集行人与自动穿梭车交互时的眼动、头部朝向和运动数据,开发多模态预测模型,发现眼动信息在特定角度下对轨迹预测有显著贡献,与情境信息结合可降低最终位移误差8.47%。
2026-05-22 cs.LG