超越经验窗口化：一种基于注意力的自动驾驶车辆信任预测方法
人机交互
2024-01-18 v2 机器学习
摘要
人类的内部状态在人机交互中起着关键作用，导致人类状态估计成为一个突出的领域。与惊讶和烦躁等快速状态变化相比，信任和满意度等渐进状态的建模因标签稀疏而面临更大挑战：长时间序列信号通常与单个标签相关联，使得难以识别状态变化的关键区间。窗口化是一种广泛使用的技术，用于对长时间序列数据进行局部化分析。然而，下游模型的性能可能对窗口大小敏感，确定最优窗口大小需要领域专业知识和广泛搜索。为了解决这一挑战，我们提出了一种选择性窗口化注意力网络（SWAN），它利用窗口提示和掩码注意力变换，能够选择具有灵活长度的关注区间。我们在一个新的多模态驾驶模拟数据集上评估了SWAN在信任预测任务上的表现。实验表明，SWAN显著优于现有的经验窗口选择基线以及包括CNN-LSTM和Transformer在内的神经网络基线。此外，与传统的窗口化方法相比，它在广泛的窗口化范围内表现出鲁棒性。
引用
@article{arxiv.2312.10209,
title = {Beyond Empirical Windowing: An Attention-Based Approach for Trust Prediction in Autonomous Vehicles},
author = {Minxue Niu and Zhaobo Zheng and Kumar Akash and Teruhisa Misu},
journal= {arXiv preprint arXiv:2312.10209},
year = {2024}
}