利用 T-范数进行自动驾驶中的深度学习
机器学习
2024-02-26 v1 计算机视觉与模式识别
摘要
深度学习一直是自动驾驶领域发展的核心，这得益于神经网络在从原始数据中发现模式并将其转化为准确预测方面的成功。此外，最近的神经符号工作表明，通过 T-范数（t-norms）将关于手头问题的可用背景知识纳入损失函数，可以进一步提升深度学习模型的性能。然而，基于 T-范数的损失可能具有非常高的内存需求，因此可能无法应用于自动驾驶等复杂的应用领域。在本文中，我们展示了如何定义内存高效的基于 T-范数的损失，从而能够利用 T-范数进行自动驾驶中的事件检测任务。我们在 ROAD-R 数据集上进行了广泛的实验分析，并表明：(i) 我们的方案可以在可用内存少于 25 GiB 的 GPU 上实现和运行，而标准的基于 T-范数的损失估计需要超过 100 GiB，远超通常可用的内存量；(ii) 基于 T-范数的损失提高了性能，特别是在标记数据有限的情况下；(iii) 当同时利用标记和未标记数据时，基于 T-范数的损失可以进一步提升性能。
引用
@article{arxiv.2402.11362,
title = {Exploiting T-norms for Deep Learning in Autonomous Driving},
author = {Mihaela Cătălina Stoian and Eleonora Giunchiglia and Thomas Lukasiewicz},
journal= {arXiv preprint arXiv:2402.11362},
year = {2024}
}
备注
Published in Proceedings of the 17th International Workshop on Neural-Symbolic Learning and Reasoning, 2023 (NeSy 2023)