基于规则的错误检测和校正用于操作化运动轨迹分类

于红博

摘要: 运动轨迹的分类在交通领域有许多应用，是大规模运动轨迹生成和异常检测的关键组成部分，在灾难或其他外部冲击事件后具有关键的安全应用。然而，目前的最先进技术(SOTA)基于监督深度学习，导致当轨迹分布由于这种冲击而发生变化时面临挑战。我们提供了一个基于神经符号规则的框架来进行误差校正和模型检测，并将其集成到我们的运动轨迹平台中。我们对几种最近的SOTA模型进行了一系列实验，展示了高度准确的错误检测能力，能够在测试分布变化时提高准确性，以及基本用例的准确性改进，还有一系列理论性质指导算法开发。具体来说，我们展示了预测错误的F1分数高达0.984，针对超出分布的准确性有显著的性能提高（零样本准确性比SOTA提高了8.51%），并且在SOTA模型的准确性上有所提高。

更新时间: 2025-09-18 16:31:57

领域: cs.LG,cs.AI,cs.LO

下载: http://arxiv.org/abs/2308.14250v5