Fugu-MT 論文翻訳(概要): HSFM-$\Sigma$nn: Combining a Feedforward Motion Prediction Network and Covariance Prediction

論文の概要: HSFM-$\Sigma$nn: Combining a Feedforward Motion Prediction Network and Covariance Prediction

arxiv url: http://arxiv.org/abs/2009.04299v1
Date: Wed, 9 Sep 2020 13:46:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-20 11:57:09.298611
Title: HSFM-$\Sigma$nn: Combining a Feedforward Motion Prediction Network and Covariance Prediction
Title（参考訳）: HSFM-$\Sigma$nn: フィードフォワード運動予測ネットワークと共分散予測を組み合わせる
Authors: A. Postnikov, A. Gamayunov, G. Ferrer
Abstract要約: HSFM-$Sigma$nn を用いた動き予測手法を提案する。それらの制約を示す共分散推定の古典的手法と比較する。また,学習に基づくアプローチであるSocial-LSTMと比較し,本手法がより正確かつ効率的であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we propose a new method for motion prediction: HSFM-$\Sigma$nn. Our proposed method combines two different approaches: a feedforward network whose layers are model-based transition functions using the HSFM and a Neural Network (NN), on each of these layers, for covariance prediction. We will compare our method with classical methods for covariance estimation showing their limitations. We will also compare with a learning-based approach, social-LSTM, showing that our method is more precise and efficient.
Abstract（参考訳）: 本稿では,動き予測の新しい手法としてHSFM-$\Sigma$nnを提案する。提案手法は,hsfmを用いたモデルベース遷移関数であるフィードフォワードネットワークと,これら各層上のニューラルネットワーク(nn)とを組み合わせた共分散予測を行う。本手法を古典的手法と比較し,その限界を示す共分散推定を行う。また,学習に基づくアプローチであるSocial-LSTMと比較し,本手法がより正確かつ効率的であることを示す。

関連論文リスト

Improving Probabilistic Diffusion Models With Optimal Covariance Matching [27.2761325416843]
対角的共分散を学習するための新しい手法を提案する。提案手法は,拡散モデルと潜伏拡散モデルの両方のサンプリング効率,リコール率,および可能性を大幅に向上させることができることを示す。
論文参考訳（メタデータ） (2024-06-16T05:47:12Z)
Markovian Flow Matching: Accelerating MCMC with Continuous Normalizing Flows [2.2530496464901106]
連続正規化フロー(CNF)は、ニューラルネットワークを用いて前記経路を生成するベクトル場をモデル化することにより、基準分布と目標分布の間の確率経路を学習する。近年,Lipman et al. (2022) は生成モデルにおけるCNFsの簡易かつ安価な学習法であるフローマッチング (FM) を導入した。本稿では,この手法をマルコフサンプリング法をFM目標評価に応用し,学習したCNFを用いてモンテカルロサンプリングを改善することにより,確率的推論に再利用する。
論文参考訳（メタデータ） (2024-05-23T10:08:19Z)
Uncertainty quantification in neural network classifiers -- a local linear approach [4.352544339111997]
本稿では,異なるクラスの確率質量関数(PMF)を推定する手法を提案する。分類段階では、学習したNNパラメータの共分散を伝播するために別の局所線形アプローチが用いられる。これにより、 (i) PMFを推定し、 (ii) 推定PMFの共分散を計算し、 (iii) 複数の分類器の適切なリスク評価と融合を行う。
論文参考訳（メタデータ） (2023-03-10T10:38:24Z)
Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。本稿では2つの新しい推定法を提案する。
論文参考訳（メタデータ） (2021-09-06T13:42:32Z)
Learning Gaussian Graphical Models with Latent Confounders [74.72998362041088]
我々は、グラフィカルモデルにおける推論のための2つの戦略を、潜伏した共同創設者と比較し、対比する。これら2つのアプローチは、類似した目標を持っているが、それらは共起に関する異なる仮定によって動機付けられている。これら2つのアプローチの強みを組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2021-05-14T00:53:03Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文参考訳（メタデータ） (2020-06-08T02:39:59Z)
Joint Stochastic Approximation and Its Application to Learning Discrete Latent Variable Models [19.07718284287928]
推定モデルに対する信頼度勾配を得るのが困難であることや、間接的にターゲットのログを最適化することの欠点を優雅に解決できることが示される。本稿では,対象の対数類似度を直接最大化し,後部モデルと推論モデルとの包摂的ばらつきを同時に最小化することを提案する。結果の学習アルゴリズムは、ジョイントSA(JSA)と呼ばれる。
論文参考訳（メタデータ） (2020-05-28T13:50:08Z)
Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。上記のプロパティをすべて享受する既存のメソッドはありません。本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文参考訳（メタデータ） (2020-02-25T15:12:15Z)
Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。