神经轨迹预测中的进化多目标优化
摘要：机器学习在过去的十年中迅速发展，成功地在图像分类等极具挑战性的问题上实现了专家级的人类表现。这一成功部分归功于生物启发式现代人工神经网络(ANNs)的重新出现，以及计算能力、大量标记数据和巧妙的人类专家知识的可用性，以及可以为这些网络找到正确配置(和权重)的优化方法。当采用进化算法时，将其称为神经进化。大多数神经进化研究都集中在一种名为卷积神经网络(CNNs)的ANNs类型上。此外，这些研究中的大多数都使用了一种优化方法。本研究在车辆轨迹预测中的神经进化中迈出了积极的一步，称为神经轨迹预测，其中必须考虑多个目标。为此，采用了由CNNs和长短期记忆网络组成的丰富ANNs。同时，还采用了两种知名且稳健的多目标进化优化(EMO)算法，即NSGA-II和MOEA/D。这些算法的完全不同的底层机制揭示了在神经轨迹预测中使用一种EMO方法而不是另一种方法的含义。特别是，强调了考虑目标缩放的重要性，发现MOEA/D在专注于特定目标方面可以更熟练，而NSGA-II往往对目标缩放更不敏感。此外，某些目标被显示为对寻找有效模型要么有益要么有害，例如，包括距离反馈目标在内对找到有效模型的损害相当大，而横向速度目标更有益。
作者：Edgar Galv''an and Fergal Stapleton
论文ID：2308.02710
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2023-08-08