用于 driver identification 应用的注意力编码器的原型网络
机器学习
2025-10-21 v1
摘要
driver identification 近年来受到越来越多的关注，尤其是在数据驱动的应用中，因为生物识别技术可能引发隐私问题。本研究提出一种深度学习神经网络架构，即注意力编码器 (AttEnc)，其使用注意力机制进行 driver identification，并比当前方法使用更少的模型参数。大多数研究未解决 driver identification 数据不足的问题，并且大多数情况下在遇到未知 driver 时缺乏灵活性。本文提出将原型网络与注意力编码器 (P-AttEnc) 组合的架构。它应用 few-shot learning 来克服数据不足问题并提升模型的泛化能力。实验结果表明，注意力编码器在三个不同数据集上的 driver identification 准确率分别为 99.3%、99.0% 和 99.9%，且预测时间快 44%~79%，因为显著减少了平均 87.6% 的模型参数。P-AttEnc 基于少量数据识别 driver，提取 driver 指纹以解决数据不足问题，并能够对未知 driver 进行分类。第一个实验表明，P-AttEnc 在 one-shot 场景下的准确率为 69.8%。第二个实验表明，P-AttEnc 在 1-shot 场景下对未知 driver 的平均准确率为 65.7%。
引用
@article{arxiv.2510.17250,
title = {A Prototypical Network with an Attention-based Encoder for Drivers Identification Application},
author = {Wei-Hsun Lee and Che-Yu Chang and Kuang-Yu Li},
journal= {arXiv preprint arXiv:2510.17250},
year = {2025}
}