eCoMAE
一种用于多元时间序列的证据掩码预训练方法，结合块状时间步掩码和Normal-Inverse-Gamma解码器，通过可观测性感知机制提升部分可观测条件下的不确定性估计可靠性。
时间轴 (近 90 天)
eCoMAE是一种通过可观测性对齐的证据掩码预训练方法，用于提升VRU运动预测在分布外（OOD）场景下的可靠性。
eCoMAE在IMPTC基准的VRU意图预测实验中，将最强基线的OOD准确率从0.7971提升至0.8068。
eCoMAE将OOD AURC（风险-覆盖曲线下面积）从0.0718降低至0.0648。
在pedestrian trajectory forecasting任务上，eCoMAE在IMPTC、Waymo、nuScenes和inD四个数据集上均取得了最佳的微调MSE。
eCoMAE结合了块状时间步掩码和Normal-Inverse-Gamma解码器，并引入了三个可观测性感知机制：不确定性加权均值一致性、掩码位置证据抑制、跨随机掩码的表示一致性。
有观点认为eCoMAE在更复杂的动态场景（如密集人群交互）中的有效性仍需进一步验证。
全部知识事实 (6)
eCoMAE是一种通过可观测性对齐的证据掩码预训练方法，用于提升VRU运动预测在分布外（OOD）场景下的可靠性。
50%待验证eCoMAE在IMPTC基准的VRU意图预测实验中，将最强基线的OOD准确率从0.7971提升至0.8068。
50%待验证eCoMAE将OOD AURC（风险-覆盖曲线下面积）从0.0718降低至0.0648。
50%待验证在pedestrian trajectory forecasting任务上，eCoMAE在IMPTC、Waymo、nuScenes和inD四个数据集上均取得了最佳的微调MSE。
50%待验证eCoMAE结合了块状时间步掩码和Normal-Inverse-Gamma解码器，并引入了三个可观测性感知机制：不确定性加权均值一致性、掩码位置证据抑制、跨随机掩码的表示一致性。
50%待验证有观点认为eCoMAE在更复杂的动态场景（如密集人群交互）中的有效性仍需进一步验证。
50%