소셜-암묵적: 궤적 예측 평가의 재고 및 암묵적 최대우도 추정의 효과성에 대한 고찰

최적의 N개(Best-of-N, BoN) 평균 이동 거리 오차(Average Displacement Error, ADE)/최종 이동 거리 오차(Final Displacement Error, FDE)는 궤적 예측 모델 평가에 가장 널리 사용되는 지표이다. 그러나 BoN은 생성된 모든 샘플을 정량화하지 않아 모델의 예측 품질과 성능에 대한 완전한 시각을 제공하지 못한다. 이를 해결하기 위해 우리는 전체 생성 샘플이 참값(Ground Truth)에 얼마나 가까운지를 정량화하는 새로운 지표인 평균 마할라노비스 거리(Average Mahalanobis Distance, AMD)를 제안한다. 또한 예측 결과의 전반적인 분산을 측정하는 평균 최대 고유값(Average Maximum Eigenvalue, AMV) 지표를 도입한다. 실험적으로 ADE/FDE는 분포 변화(distribution shifts)에 민감하지 않아 정확도에 대한 편향된 인식을 줄 수 있는 반면, AMD/AMV 지표는 이러한 문제를 잘 반영함을 보여, 본 연구의 지표들이 보다 신뢰할 수 있는 평가 기준임을 입증하였다. 또한 전통적인 생성 모델 대신 암묵적 최대우도 추정(Implicit Maximum Likelihood Estimation, IMLE)을 사용하여 모델을 학습하는 방식을 제안하였으며, 이를 통해 Social-Implicit 모델을 구현하였다. IMLE 학습 기법은 AMD/AMV 지표가 추구하는 바—즉, 참값에 가까우면서도 좁은 분산을 가지는 궤적을 예측하는 것—과 일치한다. Social-Implicit는 단지 5,800개의 파라미터만을 가지며 메모리 효율성이 뛰어나 실시간으로 약 580Hz의 속도로 실행되며, 경쟁력 있는 성능을 달성하였다. 문제의 상호작용적 데모는 https://www.abduallahmohamed.com/social-implicit-amdamv-adefde-demo 에서 확인할 수 있으며, 코드는 https://github.com/abduallahmohamed/Social-Implicit 에서 공개되어 있다.