面向车辆事故伤情预测的新型动态批次敏感 Adam 优化器
机器学习
2026-05-15 v1 人工智能
摘要
优化器的选择对深度学习至关重要，因为它强烈影响模型的效率和收敛速度。然而，许多常用优化器在应用于不平衡和序列数据时会遇到困难，限制了其捕捉少数类模式的能力。本研究提出了动态批次敏感 Adam（DBS-Adam），这是一种动态缩放学习率的优化器，其批次难度得分来源于梯度范数和批次损失的指数移动平均。DBS-Adam 通过增加难批次的更新次数而减少易批次的更新次数，从而提高训练稳定性并加快收敛速度。我们通过将其集成到双向 LSTM 网络中用于事故伤情预测来评估 DBS-Adam，通过 SMOTE-ENN 重采样和焦点损失来处理类别不平衡问题。四个实验配置比较基准双向 LSTM 模型和其他替代架构，以评估优化器的影响。与最先进的优化器（AMSGrad、AdamW、AdaBound）进行严格比较，结果显示 DBS-Adam 在五个随机种子下的表现具有统计显著性（p=0.020），精度提升。结果表明，DBS-Adam 超越了标准优化方法，实现了 95.22% 的测试准确率、96.11% 的精度、95.28% 的召回率、95.39% 的 F1 分数以及 0.0086 的测试损失。该框架有效地实现了针对定向紧急响应和道路安全干预的实时事故严重程度分类，展示了 DBS-Adam 在从不平衡序列数据中学习方面的价值。
引用
@article{arxiv.2605.15083,
title = {Novel Dynamic Batch-Sensitive Adam Optimiser for Vehicular Accident Injury Severity Prediction},
author = {Daniel Asare Kyei and Alimatu Saadia-Yussiff and Maame G. Asante-Mensah and Abdul Lateef-Yussiff and Charles Roland Haruna and Derry Emmanuel},
journal= {arXiv preprint arXiv:2605.15083},
year = {2026}
}