スーパーエージェントと交絡因子：周辺エージェントが車両軌道予測に与える影響

- 高インタラクションな運転シーンにおける trajectory prediction を対象とした研究。 - 周囲の車や歩行者などの agent 情報が予測精度に与える影響を包括的に分析。 - 多くの周囲 agent が予測精度を改善するどころか悪化させるという驚くべき欠陥を明らかにする。 - Shapley-based attribution を用いて、モデルが不安定で非因果的な意思決定スキームを学習していることを実証。 - Conditional Information Bottleneck (CIB) を提案し、追加の supervision なしで agent 特徴を圧縮し、予測に有益でない情報を無視する。 - 複数のデータセットとモデルアーキテクチャで実験を行い、予測性能の向上と摂動に対する robustness の増加を示す。

- 従来の trajectory prediction 研究は、周囲 agent 情報を統合することが一般に予測精度を向上させると想定。 - 本研究は、多くの周囲 agent が予測精度を悪化させるという反直感的な欠陥を初めて包括的に示す。 - Shapley-based attribution により、モデルが不安定で非因果的な意思決定スキームを学習していることを厳密に証明。 - 既存手法と比べ、CIB は追加の supervision を必要とせず、agent 特徴を効果的に圧縮し、有益でない情報を無視する。 - 複数のデータセットとモデルで、予測性能の向上と摂動に対する robustness の増加を達成。

- Conditional Information Bottleneck (CIB) を提案。 - CIB は追加の supervision を必要とせず、agent 特徴を圧縮し、予測タスクに有益でない特徴を無視するように訓練される。 - Shapley-based attribution を用いて、モデルの意思決定スキームを分析し、不安定で非因果的な挙動を特定。 - 複数のデータセットとモデルアーキテクチャに適用可能なシンプルかつ効果的なアプローチ。 - 非 robust な挙動を特定するための解釈可能なメトリクスを提供。

- 複数のデータセットとモデルアーキテクチャを用いた包括的な実験を実施。 - CIB の統合により、多くのケースで全体的な trajectory prediction 性能が向上。 - 異なる摂動に対する robustness が増加することを示す。 - Shapley-based attribution を用いて、モデルの不安定で非因果的な意思決定スキームを厳密に実証。 - 解釈可能なメトリクスを提供し、非 robust な挙動を特定。

- 周囲 agent 情報の選択的な統合の重要性を強調。 - 文脈情報にはしばしば spurious または misleading な信号が含まれる可能性がある。 - モデルが学習する意思決定スキームは訓練実行間で大きく変動し、不安定で非因果的。 - CIB は有望な解決策の方向性を示すが、更なる検証や改善の余地がある。 - 解釈可能なメトリクスは非 robust な挙動の特定に有用。

- Shapley-based attribution を用いた trajectory prediction の分析に関する研究。 - Conditional Information Bottleneck (CIB) を応用した他のタスクやモデルに関する研究。 - 周囲 agent 情報の選択的統合に関する手法（例: attention 機構、gating 機構）。 - trajectory prediction における robustness と解釈性に関する研究。 - 同分野の定番: Social LSTM, Social GAN, Trajectron++ などの trajectory prediction モデル。