Fugu-MT 論文翻訳(概要): Predicting the future with a scale-invariant temporal memory for the past

論文の概要: Predicting the future with a scale-invariant temporal memory for the past

arxiv url: http://arxiv.org/abs/2101.10953v1
Date: Tue, 26 Jan 2021 17:22:17 GMT
ステータス: 処理完了
システム内更新日: 2021-03-13 19:46:57.520338
Title: Predicting the future with a scale-invariant temporal memory for the past
Title（参考訳）: 過去におけるスケール不変な時間記憶による未来予測
Authors: Wei Zhong Goh, Varun Ursekar, Marc W. Howard
Abstract要約: 近年、脳は過去まで続く最近の出来事の時間記憶を維持していることが明らかになっている。本稿では,過去におけるスケール不変時間表現を用いて,スケール不変未来を予測するニューラルネットワークを提案する。
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 recent years it has become clear that the brain maintains a temporal memory of recent events stretching far into the past. This paper presents a neurally-inspired algorithm to use a scale-invariant temporal representation of the past to predict a scale-invariant future. The result is a scale-invariant estimate of future events as a function of the time at which they are expected to occur. The algorithm is time-local, with credit assigned to the present event by observing how it affects the prediction of the future. To illustrate the potential utility of this approach, we test the model on simultaneous renewal processes with different time scales. The algorithm scales well on these problems despite the fact that the number of states needed to describe them as a Markov process grows exponentially.
Abstract（参考訳）: 近年、脳は過去まで続く最近の出来事の時間記憶を維持していることが明らかになっている。本稿では,過去におけるスケール不変時間表現を用いて,スケール不変未来を予測するニューラルネットワークを提案する。結果は、将来のイベントが発生すると予想される時間の関数として、スケール不変な推定である。アルゴリズムは時間ローカルであり、将来の予測にどのように影響するかを観察することで、クレジットを現在のイベントに割り当てる。このアプローチの潜在的有用性を説明するために、異なる時間スケールの同時更新プロセスでモデルをテストする。マルコフ過程として記述するのに必要な状態の数は指数関数的に増加するにもかかわらず、アルゴリズムはこれらの問題によくスケールする。

関連論文リスト

Machine Learning for Stochastic Parametrisation [0.0]
パラメトリゼーションにおけるデータ駆動型アプローチの可能性について論じる。この分野の初期の研究を取り上げ、残る新たな課題に注意を向ける。
論文参考訳（メタデータ） (2024-02-12T08:38:53Z)
Memory-and-Anticipation Transformer for Online Action Understanding [52.24561192781971]
本稿では,過去,現在,未来を含む時間構造全体をモデル化する,メモリ予測に基づく新しいパラダイムを提案する。本稿では,メモリ・アンド・アンティフィケーション・トランスフォーマ(MAT)を提案する。
論文参考訳（メタデータ） (2023-08-15T17:34:54Z)
TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。私たちのコードはGitHubで公開されます。
論文参考訳（メタデータ） (2023-01-05T22:10:16Z)
VQ-AR: Vector Quantized Autoregressive Probabilistic Time Series Forecasting [10.605719154114354]
時系列モデルは過去の予測を正確に予測することを目的としており、そこではビジネス上の意思決定のような重要な下流のタスクに予測が使用される。本稿では,新しい自己回帰型アーキテクチャであるVQ-ARを提案する。
論文参考訳（メタデータ） (2022-05-31T15:43:46Z)
A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
論文参考訳（メタデータ） (2022-04-02T21:50:45Z)
Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文参考訳（メタデータ） (2022-03-25T16:59:08Z)
StretchBEV: Stretching Future Instance Prediction Spatially and Temporally [0.0]
自動運転車では、車を取り巻くすべてのエージェントの位置と動きから未来を予測することが、計画にとって重要な要件である。近年,複数のカメラから知覚されるリッチな感覚情報を小型の鳥眼ビュー表現に融合させて予測を行うことにより,知覚と予測の新たな共同定式化が進んでいる。しかし、将来の予測の質は、複数の妥当な予測のために、より長い時間的地平線に拡張しながら、時間とともに劣化する。本研究では,将来の予測におけるこのような不確実性に時間的モデルを用いて対処する。
論文参考訳（メタデータ） (2022-03-25T13:28:44Z)
When regression coefficients change over time: A proposal [0.0]
根底にある仮定は、過去に観測されたのと同じ相関が今後も続くというものである。この仮定が満たされていない状況に対するモデルを提案し、状態空間の文献から手法を取り入れ、回帰係数が時間とともにどのように変化するかをモデル化する。われわれのアプローチは、未来を予測することに関連する大きな不確実性や、それがどれだけ過去の力学の変化によるものかに光を当てることができる。
論文参考訳（メタデータ） (2022-03-19T11:36:20Z)
Interval-censored Hawkes processes [82.87738318505582]
本研究では,Hawkesプロセスのパラメータを間隔制限設定で推定するモデルを提案する。我々は、ホークス族に対する非均質近似が、間隔検閲された設定において牽引可能な可能性を認めている方法を示す。
論文参考訳（メタデータ） (2021-04-16T07:29:04Z)
History Repeats Itself: Human Motion Prediction via Motion Attention [81.94175022575966]
注意に基づくフィードフォワードネットワークを導入し、人間の動きが自分自身を繰り返す傾向にあるという観察を明示的に活用する。特に,現在動きのコンテキストと過去の動きのサブシーケンスの類似性を捉えるために,動きの注意を抽出することを提案する。我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を実証した。
論文参考訳（メタデータ） (2020-07-23T02:12:27Z)
A Novel Graph based Trajectory Predictor with Pseudo Oracle [15.108410951760131]
GTPPOは、歩行者の将来の行動に配慮したエンコーダデコーダに基づく手法である。 ETH、UCY、Stanford Droneのデータセットで評価されている。
論文参考訳（メタデータ） (2020-02-02T13:40:47Z)

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。