抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
運転者行動のモデル化は,電気自動車のエネルギー消費の予測を含む自動車産業におけるいくつかの利点を提供する。研究は,ある運転シナリオにおいて,攻撃的運転が,適度の運転よりも最大30%多いエネルギーを消費することを示した。機械学習法は,運転者行動分類に広く使用されているが,それは,長い時間窓でのシーケンスモデリングや高価なアノテーションによるラベル付きデータの欠如のような,いくつかの課題をもたらす可能性がある。最初の挑戦,運転者行動の受動的学習を扱うために,自己注意モデルや結合再帰プロット(JRP)を持つ畳み込みニューラルネットワークのような非再帰アーキテクチャを調べ,それらを再帰モデルと比較した。自己注意モデルは良好な性能をもたらすが,JRPは顕著な改善を示さないことを見出した。しかし,本研究で使用した5秒と10秒のウィンドウ長では,非再帰モデルのどれも再帰モデルを上回らなかった。第2の挑戦に取り組むために,異なる情報性測度を用いたいくつかのアクティブ学習手法について調べた。不確実性サンプリングと,委員会による質問やアクティブ深層ドロップアウトのようなより進んだ方法を評価した。実験により,いくつかのアクティブサンプリング技法がランダムサンプリングよりも性能的に優れており,従ってアノテーションに必要な努力を低減することを示した。【JST機械翻訳】