基于信息论的人群运动预测场景泛化估计方法
机器学习
2022-11-03 v1 多智能体系统
摘要
基于学习的人群运动建模方法已日益成功，但需要在大型数据集上训练与评估，并伴随复杂的模型选择与参数调优。为规避这一极为耗时的过程，我们提出一种新颖的评分方法，其使用免训练、模型无关的 Interaction + Diversity Quantification 分数（ISDQ）来刻画在源人群场景上训练并应用于目标人群场景的模型的泛化能力。Interaction 分量旨在刻画场景域的难度，而场景域的多样性由 Diversity 分数捕获。两个分数均可以便计算易处理的方式求得。我们的实验结果在多个模拟与真实世界（源，目标）泛化任务上验证了所提方法的有效性，展示了其在训练与测试模型前优选最优域对的潜力。
引用
@article{arxiv.2211.00817,
title = {An Information-Theoretic Approach for Estimating Scenario Generalization in Crowd Motion Prediction},
author = {Gang Qiao and Kaidong Hu and Seonghyeon Moon and Samuel S. Sohn and Sejong Yoon and Mubbasir Kapadia and Vladimir Pavlovic},
journal= {arXiv preprint arXiv:2211.00817},
year = {2022}
}