論文の概要: Causal Future Prediction in a Minkowski Space-Time

• arxiv url: http://arxiv.org/abs/2008.09154v2
• Date: Sun, 30 Aug 2020 17:08:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 02:47:56.767766
• Title: Causal Future Prediction in a Minkowski Space-Time
• Title（参考訳）: ミンコフスキー時空における因果的未来予測
• Authors: Athanasios Vlontzos, Henrique Bergallo Rocha, Daniel Rueckert, Bernhard Kainz
• Abstract要約: 野生では、事象のもっともらしい継承は、有限の訓練集合から容易に導出できない因果関係の規則によって支配される。 時空に情報を埋め込むことで因果的・時間的未来予測を行うための理論的枠組みを提案する。 画像のデータセット上での因果画像の時間的および将来のビデオフレーム予測における成功例を実証する。
• 参考スコア（独自算出の注目度）: 10.899379163846254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating future events is a difficult task. Unlike humans, machine learning approaches are not regularized by a natural understanding of physics. In the wild, a plausible succession of events is governed by the rules of causality, which cannot easily be derived from a finite training set. In this paper we propose a novel theoretical framework to perform causal future prediction by embedding spatiotemporal information on a Minkowski space-time. We utilize the concept of a light cone from special relativity to restrict and traverse the latent space of an arbitrary model. We demonstrate successful applications in causal image synthesis and future video frame prediction on a dataset of images. Our framework is architecture- and task-independent and comes with strong theoretical guarantees of causal capabilities.
• Abstract（参考訳）: 将来のイベントの見積もりは難しい作業です。 人間とは異なり、機械学習のアプローチは物理の自然な理解によって正規化されない。 野生では、起こりうる出来事の継承は因果関係の規則によって制御され、有限の訓練集合から容易に導出することはできない。 本稿では,ミンコフスキー時空に時空間情報を埋め込み,因果的未来予測を行うための新しい理論的枠組みを提案する。 我々は、特殊相対性理論から光円錐の概念を利用し、任意のモデルの潜在空間を制限およびトラバースする。 画像のデータセット上で因果画像合成と将来のビデオフレーム予測に成功例を示す。 私たちのフレームワークはアーキテクチャとタスク非依存であり、因果能力に関する強い理論的保証を伴っています。

関連論文リスト

• Extralonger: Toward a Unified Perspective of Spatial-Temporal Factors for Extra-Long-Term Traffic Forecasting [69.4265346261936]
  時間的・空間的要因を統一するExtralongerを導入する。 これは特に、現実のベンチマークで1週間まで予測の地平を広げている。 長期および長期のシナリオで新しい標準を設定する。
  論文  参考訳（メタデータ） (2024-10-30T04:28:20Z)
• Existence Is Chaos: Enhancing 3D Human Motion Prediction with Uncertainty Consideration [27.28184416632815]
  トレーニングデータにおける記録された動きは、所定の結果ではなく、将来の可能性の観測である可能性が示唆された。 不確実性を考慮した計算効率の良いエンコーダデコーダモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-21T03:34:18Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Modeling the evolution of temporal knowledge graphs with uncertainty [34.54782960535138]
  本稿では,事象発生確率の時間的変化をモデル化する新しいグラフニューラルネットワークアーキテクチャ(WGP-NN)を提案する。 2つの実世界のベンチマークデータセット上で、モデルの最先端性能を実証する。
  論文  参考訳（メタデータ） (2023-01-12T12:39:22Z)
• Wildfire Forecasting with Satellite Images and Deep Generative Model [0.0]
  我々は、未来における火災がどのように振る舞うかを予想するビデオとして、一連の山火事の画像を使用します。 潜在空間で動的に駆動される新しい時間モデルを導入する。 結果は様々なベンチマークモデルに比較される。
  論文  参考訳（メタデータ） (2022-08-19T15:52:43Z)
• Predicting extreme events from data using deep machine learning: when and where [0.0]
  我々は,極端事象の発生をモデル無しで予測するためのディープ畳み込みニューラルネットワーク(DCNN)ベースのフレームワークを開発する。 我々は,北大西洋の2次元複素ギンズバーグ・ランダウ方程式と経験的風速データから合成したデータを用いて,機械学習に基づく予測フレームワークの実証と検証を行った。
  論文  参考訳（メタデータ） (2022-03-31T16:28:01Z)
• Investigating Pose Representations and Motion Contexts Modeling for 3D Motion Prediction [63.62263239934777]
  歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。 本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。 AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-30T10:45:22Z)
• Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
  我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。 攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。 我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
  論文  参考訳（メタデータ） (2021-08-24T17:59:09Z)
• Revisiting Hierarchical Approach for Persistent Long-Term Video Prediction [55.4498466252522]
  従来の手法よりも桁違いに長い予測時間を持つビデオ予測の新しい標準を設定しました。 本手法は,まず意味構造列を推定し,その後,映像から映像への変換により,画素に翻訳することにより,将来的なフレームを予測する。 本手法は,自動車運転と人間のダンスに関する3つの課題データに基づいて評価し,非常に長い時間にわたって複雑なシーン構造と動きを生成できることを実証した。
  論文  参考訳（メタデータ） (2021-04-14T08:39:38Z)
• Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
  渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。 学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。 実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:33Z)
• Short- and long-term prediction of a chaotic flow: A physics-constrained reservoir computing approach [5.37133760455631]
  乱流せん断流モデルにおける極端な事象や長期速度統計を時間精度で予測する,貯留層計算に基づく物理制約型機械学習手法を提案する。 両手法の組み合わせは, 乱流の自己持続過程モデルにおいて, 速度統計を正確に再現し, 極端な事象の発生と振幅を予測することができることを示す。
  論文  参考訳（メタデータ） (2021-02-15T12:29:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。