软注意力：它是否真正有助于在行人轨迹预测中学习社会交互？

我们考虑利用行人的运动历史及其周围行人的运动历史（称为社会信息）来预测行人未来路径的问题。自 Social-LSTM 开创性论文以来，深度学习已成为用于建模社会交互对行人运动影响的主要工具。这些模型能够学习社会交互的证明依赖于对这些模型的消融研究。在平均位移误差和最终位移误差这两个标准指标上，将带有和不带有社会交互模块的模型进行比较。然而，这些复杂模型最近被一种简单的恒速方法所超越。这令人质疑它们是否真正能够建模社会交互以及该证明的有效性。在本文中，我们关注具有用于社会交互建模的软注意力机制的深度学习模型，并研究它们在预测时是否使用了社会信息。我们在 ETH 和 UCY 数据集上跨四种最先进方法进行了两项实验，这些数据集也被先前工作使用。首先，通过在训练中用随机噪声替换社会信息，并与使用实际社会信息训练的模型进行比较。其次，我们使用一种门控机制以及 $L_0$ 惩罚，使模型能够关闭其内部组件。模型一致地学习剪除其软注意力机制。两项实验中，收敛过程与预测性能均未改变。这表明软注意力机制因而社会信息被模型所忽略。