Core Concepts
앙상블 모델과 지식 증류 기법을 활용하여 제한된 컴퓨팅 자원에서도 높은 성능의 모션 예측 모델을 구현할 수 있다.
Abstract
이 연구에서는 모션 예측 문제에 대한 효율적인 확장 방법을 제안한다. 먼저 다수의 최적화된 단일 모델을 활용한 앙상블 모델을 구축하여 성능을 크게 향상시킨다. 이후 이 앙상블 모델을 지식 증류 기법을 통해 작은 학생 모델로 압축하여, 계산 비용은 크게 줄이면서도 높은 성능을 유지할 수 있도록 한다.
실험 결과, 제안된 앙상블 모델은 Waymo Open Motion Dataset과 Argoverse 리더보드에서 매우 경쟁력 있는 성능을 보였다. 이 앙상블 모델에서 지식 증류를 통해 얻은 학생 모델은 계산 비용이 크게 감소했음에도 불구하고 여전히 높은 성능을 유지할 수 있었다. 이는 제한된 컴퓨팅 자원에서도 효과적으로 활용할 수 있는 모션 예측 모델을 구현할 수 있음을 보여준다.
Stats
앙상블 모델은 기존 단일 모델 대비 최대 40% 이상의 성능 향상을 보였다.
지식 증류를 통해 얻은 학생 모델은 계산 비용이 기존 단일 모델 대비 약 1/20 수준으로 감소했지만, 여전히 높은 성능을 유지할 수 있었다.
Quotes
"앙상블 모델은 많은 계산 비용이 소요되지만, 지식 증류를 통해 이를 크게 줄일 수 있다."
"제한된 컴퓨팅 자원에서도 효과적으로 활용할 수 있는 모션 예측 모델을 구현할 수 있다."