LongComp: ロバストな軌道予測のためのロングテール合成ゼロショット汎化

- 自動運転の trajectory prediction における long-tail な safety-critical シナリオへの汎化を扱う研究 - 実データ収集だけでは困難な希少シナリオを評価するため、データセットを再分割して OOD テストセットを作る long-tail 評価設定を提案 - safety-informed scenario factorization framework でシナリオを ego context と social context に分解し、新規の context 組み合わせを held-out にして closed-world / open-world 設定を構築 - 汎化改善のため task-modular gating networks と difficulty-prediction head を trajectory prediction モデルに導入

- Computer Vision の compositional zero-shot image-labeling との類似に基づき、context の新規組み合わせを OOD として扱う点が特徴 - 単なる実データ収集ではなく、シナリオを因子分解して long-tail 評価を体系的に作る点 - state-of-the-art baseline に対し closed-world で 5.0%、open-world で 14.7% の OOD 性能ギャップが生じることを示した - 提案手法でギャップを 2.8% と 11.5% に縮小しつつ、in-distribution 性能も改善 - 具体的な先行研究名との比較は要旨からは不明

- safety-informed scenario factorization framework によりシナリオを discrete な ego context と social context に分解 - 新規 context 組み合わせを held-out にして closed-world / open-world の OOD 設定を構成 - task-modular gating networks を trajectory prediction モデル内で動作するよう拡張 - 補助的な difficulty-prediction head を追加し、内部表現を洗練 - これらを組み合わせて OOD 汎化と in-distribution 性能の両立を狙う

- 再分割したデータセット上で closed-world と open-world の OOD テストセットを構築して評価 - state-of-the-art baseline の OOD 性能ギャップが closed-world 5.0%、open-world 14.7% であることを測定 - 提案手法がギャップを closed-world 2.8%、open-world 11.5% に低減することを示す - 同時に in-distribution 性能も改善することを確認 - 具体的なデータセット名や評価指標は要旨からは不明

- long-tail / safety-critical シナリオを実データ収集に頼らず評価する枠組みの有効性と限界 - context の因子分解と held-out 組み合わせによる OOD 設定の妥当性 - closed-world より open-world でギャップが大きく、汎化がより困難である点 - 提案手法でも open-world では 11.5% のギャップが残る - 具体的な議論や制限の詳細は要旨からは不明

- compositional zero-shot learning の画像ラベリング研究（要旨で類似として参照） - task-modular gating networks の原論文 - trajectory prediction の state-of-the-art baseline（具体名は要旨からは不明） - long-tail / OOD 評価や safety-critical scenario 生成に関する関連研究