用于轨迹预测的先验信息谱归一化高斯过程
机器学习
2024-11-06 v1 人工智能
摘要
先验参数分布提供了一种优雅的方式来表示先验专家和世界知识，以用于知情学习。先前的工作表明，使用此类信息性先验来正则化概率深度学习（DL）模型可以提高其性能和数据效率。然而，对于概率深度学习模型，常用的基于采样的近似方法计算成本可能很高，需要多次推理传递和更长的训练时间。有前途的替代方案是计算高效的最后一层核近似，例如谱归一化高斯过程（SNGPs）。我们提出了一种用于 SNGPs 的基于正则化的持续学习方法，该方法能够使用表示从先前任务中学习到的先验知识的信息性先验。我们的建议建立在成熟的方法之上，不需要重放记忆或参数扩展。我们将知情 SNGP 模型应用于自动驾驶中的轨迹预测问题，通过整合先验可驾驶性知识。在两个公开数据集上，我们研究了其在训练数据减少和跨地点情况下的性能，从而证明了相对于非知情和知情基线，其在数据效率和跨地点迁移的鲁棒性方面均有提升。
引用
@article{arxiv.2403.11966,
title = {Informed Spectral Normalized Gaussian Processes for Trajectory Prediction},
author = {Christian Schlauch and Christian Wirth and Nadja Klein},
journal= {arXiv preprint arXiv:2403.11966},
year = {2024}
}