N. Klein, C. Hoffmann

End-to-end learners for autonomous driving are deep neural networks
that predict the instantaneous steering angle directly from images of the street
ahead. These learners must provide reliable uncertainty estimates for their
predictions in order to meet safety requirements and to initiate a switch to
manual control in areas of high uncertainty. However, end-to-end learners
typically only deliver point predictions, since distributional predictions are
associated with large increases in training time or additional computational
resources during prediction. To address this shortcoming, we investigate efficient
and scalable approximate inference for deep distributional regression.
It produces densities for the steering angle
that are marginally calibrated. To ensure the scalability to large n regimes, we develop efficient estimation based on variational
inference. We demonstrate the accuracy and speed on two end-to-end learners trained for highway driving.

Palabras clave: Calibration, deep neural network, implicit copula, neural linear models, probabilistic forecasting, uncertainty quantification, variational inference

Programado

GT11.BAYES2 Sesión Invitada
7 de noviembre de 2023  18:40
CC1: Auditorio


Otros trabajos en la misma sesión

Feedback protocols and a Shiny App for species distribution modelling

M. Figueira Pereira, D. Conesa, A. López-Quílez

Bayesian approaches for fairness in regression models

R. Jiménez Llamas, E. Carrizosa Priego, P. Ramirez Cobo


Política de cookies

Usamos cookies solamente para poder idenfiticarte y autenticarte dentro del sitio web. Son necesarias para el correcto funcionamiento del mismo y por tanto no pueden ser desactivadas. Si continúas navegando estás dando tu consentimiento para su aceptación, así como la de nuestra Política de Privacidad.

Adicionalmente, utilizamos Google Analytics para analizar el tráfico del sitio web. Ellos almacenan cookies también, y puedes aceptarlas o rechazarlas en los botones de más abajo.

Aquí puedes ver más detalles de nuestra Política de Cookies y nuestra Política de Privacidad.