論文の概要: Inferring Agents Preferences as Priors for Probabilistic Goal
Recognition
- arxiv url: http://arxiv.org/abs/2102.11791v1
- Date: Tue, 23 Feb 2021 16:53:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-24 14:00:57.913954
- Title: Inferring Agents Preferences as Priors for Probabilistic Goal
Recognition
- Title(参考訳): 確率的目標認識の優先事項としてのエージェントの推論
- Authors: Kin Max Gusm\~ao, Ramon Fraga Pereira, and Felipe Meneguzzi
- Abstract要約: 確率論的解釈を用いてランドマークに基づく目標認識を拡張するモデルを提供する。
我々は,本モデルが目標を効果的に認識するだけでなく,正しい先行確率分布を推定できることを実証的に示した。
- 参考スコア(独自算出の注目度): 22.045476322820324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent approaches to goal recognition have leveraged planning landmarks to
achieve high-accuracy with low runtime cost. These approaches, however, lack a
probabilistic interpretation. Furthermore, while most probabilistic models to
goal recognition assume that the recognizer has access to a prior probability
representing, for example, an agent's preferences, virtually no goal
recognition approach actually uses the prior in practice, simply assuming a
uniform prior. In this paper, we provide a model to both extend landmark-based
goal recognition with a probabilistic interpretation and allow the estimation
of such prior probability and its usage to compute posterior probabilities
after repeated interactions of observed agents. We empirically show that our
model can not only recognize goals effectively but also successfully infer the
correct prior probability distribution representing an agent's preferences.
- Abstract(参考訳): ゴール認識への最近のアプローチは、実行コストの低い高精度を実現するために計画ランドマークを活用している。
しかし、これらのアプローチは確率論的解釈を欠いている。
さらに、ほとんどの確率的モデルでは、例えばエージェントの選好を表す事前確率に認識者がアクセスできると仮定するが、実際にはゴール認識アプローチは、単に均一な事前を仮定して、実際にその先行を実際に使用することはない。
本稿では,ランドマークに基づく目標認識を確率論的解釈で拡張し,その事前確率の推定と,観察したエージェントの繰り返し相互作用後の後方確率の計算を可能にするモデルを提案する。
本モデルでは,目標を効果的に認識できるだけでなく,エージェントの好みを表す正しい事前確率分布を推定できることを示す。
関連論文リスト
- Fact Probability Vector Based Goal Recognition [8.33719125866664]
観測された事実と予測される確率を比較することを含む新たなゴール認識手法を提案する。
提案手法は,これらの確率と観測された事実を実ベクトル空間にマッピングし,ポテンシャル目標の値を計算する。
論文 参考訳(メタデータ) (2024-08-26T12:37:41Z) - Tackling Missing Values in Probabilistic Wind Power Forecasting: A
Generative Approach [1.384633930654651]
そこで本研究では,欠落した値の処理と目標の予測を無関心に行い,未知の値を同時に予測することを提案する。
従来の「インプット、予測」パイプラインと比較して、提案手法は連続的なランク付け確率スコアにおいてより良い性能を達成する。
論文 参考訳(メタデータ) (2024-03-06T11:38:08Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Masked prediction tasks: a parameter identifiability view [49.533046139235466]
マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。
いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
論文 参考訳(メタデータ) (2022-02-18T17:09:32Z) - Generative multitask learning mitigates target-causing confounding [61.21582323566118]
マルチタスク学習のための因果表現学習のためのシンプルでスケーラブルなアプローチを提案する。
改善は、目標を狙うが入力はしない、観測されていない共同ファウンダーを緩和することによる。
人の属性とタスクノミーのデータセットに対する我々の結果は、事前の確率シフトに対するロバストネスの概念的改善を反映している。
論文 参考訳(メタデータ) (2022-02-08T20:42:14Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Deceptive Decision-Making Under Uncertainty [25.197098169762356]
タスクを遂行しながら,外部の観察者の意図を判断できる自律エージェントの設計について検討する。
エージェントの動作をマルコフ決定プロセスとしてモデル化することにより、エージェントが複数の潜在的な目標を達成するための設定を考える。
本稿では,最大エントロピーの原理に基づいて観測者予測をモデル化し,認識戦略を効率的に生成する手法を提案する。
論文 参考訳(メタデータ) (2021-09-14T14:56:23Z) - Uncertainty Surrogates for Deep Learning [17.868995105624023]
不確実性サーロゲートを用いて深層ネットワークにおける予測不確実性を推定する新しい方法を紹介します。
これらのサーロゲートは、事前定義されたパターンに一致させるように強制される深いネットワークの衝動層の特徴です。
予測の不確実性や分布異常検出の推定に,本手法の有用性を示す。
論文 参考訳(メタデータ) (2021-04-16T14:50:28Z) - Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。
提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。
視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
論文 参考訳(メタデータ) (2020-07-15T21:58:39Z)
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。