基于规则的错误检测与校正以实现运动轨迹分类.pdfVIP

基于规则的错误检测与校正以实现运动轨迹分类

BowenXi,KevinScaria,DivyagnaBavikadiandPauloShakarian

ArizonaStateUniversity

SyracuseUniversity

{bowenxi,kscaria}@,{dbavikad,pshakari}@

Abstract是对于之前未识别出的运动类型。本文扩展了当前的监

督神经方法，并引入了一个轻量级错误检测与纠正规则

运动轨迹分类在交通运输中有许多应用，是大

（EDCR）框架，提供了一种整体的神经符号系统。该框

规模运动轨迹生成和异常检测的关键组成部

架进一步支持关键技术，尤其是运输领域的人工智能，

分，在具有未知运动类型的环境中具有关键的

在这个领域通常会遇到未曾见过的数据并要求模型不将

安全应用。然而，目前最先进的技术基于监督

本其误分类。核心直觉是使用训练和操作数据来学习可以

深度学习——这使得它们在遇到新型未见过的

预测并修正监督模型中错误的规则。一旦训练完成，这

译类别时面临挑战。我们提供了一个神经符号规

些规则在操作中分两个阶段运用：首先检测规则识别出

中则框架来进行这些模型的错误修正和检测，并潜在被误分类的移动轨迹。然后使用另一种类型的规则

5将其整合到我们的运动轨迹平台中。我们在几（“纠正规则”）重新归类轨迹，将样本重新分配到新的类

v个最近的最先进模型上进行了一系列实验，展

0别中。我们提出了一种基于逻辑和规则挖掘的强大的理

5示了高度准确的错误检测能力、提高包含训练论框架，并正式证明了与学习规则相关的量（如置信度

2集中未见的新类型运动的测试数据的准确性以

4及基础用例的准确性提升，此外还有一系列指和支持度）如何与诸如精确率和召回率等分类级别的机

1器学习指标的变化相关。为了实证地展示有效性，我们

.导算法开发的理论属性。具体来说，我们展示

8提供了一系列实验，表明该框架在检测错误方面非常有

0了预测误差的F1分数高达，对于未见过效（SOTA模型的错误检测F1值为，基于检查的模

3的运动类型的准确性有显著性能提升（比最先

2型可达），零样本调整下的未见过的动作准确性比

:进模型在零样本准确性上提高了%），并且

v比最先进的模型有更好的准确性。SOTA高出%，以及标准分类准确性的提高超过了

iSOTA模型。接下来，我们将进一步介绍我们领域问题的

x