Validation of Machine Learning Algorithms by Design with Applications for Automated Driving
Übersetzter Titel:
Validierung Maschineller Lernverfahren durch Entwurf für Anwendungen im Automatisierten Fahren
Autor:
Gallitz, Oliver Christoph
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Utschick, Wolfgang (Prof. Dr.)
Gutachter:
Utschick, Wolfgang (Prof. Dr.); Botsch, Michael (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
ELT 515
Kurzfassung:
This work presents a concept to achieve validation of Machine Learning (ML) algorithms following a “by design” paradigm. The validation is realized by assuring interpretability in all steps of the ML process and the interpretability is achieved by exploiting intrinsic properties of ML architectures. The concept has been developed for the early prediction of events given multivariate time series data. The presented applications stem from the field of automated driving, e. g., early prediction of lane changes. The results show an excellent performance of the interpretable and thus easily validatable ML algorithms.
«
This work presents a concept to achieve validation of Machine Learning (ML) algorithms following a “by design” paradigm. The validation is realized by assuring interpretability in all steps of the ML process and the interpretability is achieved by exploiting intrinsic properties of ML architectures. The concept has been developed for the early prediction of events given multivariate time series data. The presented applications stem from the field of automated driving, e. g., early prediction of...
»
Übersetzte Kurzfassung:
Diese Arbeit präsentiert ein Konzept für eine Validierung maschineller Lernverfahren (ML) durch Entwurf. Die Validierung wird durch die Interpretierbarkeit in allen Schritten des ML-Verfahrens realisiert, und die Interpretierbarkeit wird durch die intrinsischen Eigenschaften von ML-Architekturen erreicht. Das Konzept wurde entwickelt, um Ereignisse so früh wie möglich aus multivariaten Zeitreihendaten vorherzusagen. Die vorgestellten Anwendungen stammen aus dem Bereich des automatisierten Fahrens, z. B. die frühzeitige Vorhersage von Fahrspurwechseln. Die Ergebnisse zeigen eine hervorragende Leistungsfähigkeit der interpretierbaren und damit leicht validierbaren ML-Algorithmen.
«
Diese Arbeit präsentiert ein Konzept für eine Validierung maschineller Lernverfahren (ML) durch Entwurf. Die Validierung wird durch die Interpretierbarkeit in allen Schritten des ML-Verfahrens realisiert, und die Interpretierbarkeit wird durch die intrinsischen Eigenschaften von ML-Architekturen erreicht. Das Konzept wurde entwickelt, um Ereignisse so früh wie möglich aus multivariaten Zeitreihendaten vorherzusagen. Die vorgestellten Anwendungen stammen aus dem Bereich des automatisierten Fahren...
»