面向本体机器学习的鲁棒训练数据集:紧急道路车辆检测案例研究
基于知识的逻辑从公共交通事故数据集中提取出了定义危险驾驶形式的知识,这对于识别交通危险非常关键,可以监督和改进安全关键系统中的人工智能模型。同时,我们使用自动验证方法验证了这种逻辑的健壮性。
Dec, 2023
本文提出知识表示与推理技术在自动驾驶汽车领域的应用。利用本文提出的 6 层模型创建了一个正式的场景模型,并利用本体论对交通场景因素进行建模和推理,得出交通状况关键因素。我们采用联合描述逻辑和规则推理器,并开展了一项基于大规模无人机数据集的实验评估。
May, 2022
本文旨在评估基于机器学习方法的异常检测算法对于两种意外和恶意干扰的鲁棒性,在结合领域知识的前提下实验结果表明,基于领域知识训练的机器学习算法能够有效地降低鲁棒性误差并提高透明度。
Apr, 2022
我们提出了一个基于本体增强模型的句子级主张检测方法,通过将来自知识库的本体嵌入与 BERT 句子嵌入相融合,对 ClaimBuster 和 NewsClaims 数据集进行主张检测。我们的本体增强方法在这些小型非均衡数据集上展示出了最佳结果,相比其他统计和神经机器学习模型。实验表明,添加领域特定特征(训练词嵌入或知识图谱元数据)可以改善传统的机器学习方法。此外,以本体嵌入的形式添加领域知识有助于避免在神经网络模型中遇到的偏见,例如纯 BERT 模型在我们的小语料库中对较大类别的偏倚。
Feb, 2024
机器学习领域的研究论文,介绍了一项新的数据增强策略,通过利用图片的自然结构复杂性如分形等,改善了机器学习系统的稳定性和性能表现,提高了安全措施并在多个方面取得了极为优秀的结果。
Dec, 2021
为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通,提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例,并评估检测网络性能的流程。
May, 2023
本文提出了一种训练出更具有领域迁移鲁棒性的模型的方法,通过训练一个简单模型以识别数据集偏差,再与鲁棒模型结合,使其更专注于数据集中更容易推广的模式。在五个具有领域迁移测试集的数据集上实验,结果显示在所有情况下都有显著改善,包括一个变化优先视觉问答数据集上的 12 点增益和一个对抗问答测试集上的 9 点增益。
Sep, 2019
计算机视觉中的一个重要且尚未解决的问题是确保算法对图像域的变化具有稳健性。我们提出了一种基于贝叶斯方法的新颖 OOD 鲁棒性对象分类方法,扩展了组合神经网络 (CompNets),并通过迭代优化在 OOD 场景中表现出很好的性能。
Mar, 2024
本文提出了一种基于鲁棒学习思想的目标检测框架,通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据,从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证,将本文提出的方法与现有方法进行了比较,得出了它的显著提升。
Apr, 2019