論文の概要: Personalized Trajectory Prediction via Distribution Discrimination

• arxiv url: http://arxiv.org/abs/2107.14204v1
• Date: Thu, 29 Jul 2021 17:42:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:14:23.830733
• Title: Personalized Trajectory Prediction via Distribution Discrimination
• Title（参考訳）: 分布識別によるパーソナライズされた軌道予測
• Authors: Guangyi Chen, Junlong Li, Nuoxing Zhou, Liangliang Ren, Jiwen Lu
• Abstract要約: トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
• 参考スコア（独自算出の注目度）: 78.69458579657189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction is confronted with the dilemma to capture the multi-modal nature of future dynamics with both diversity and accuracy. In this paper, we present a distribution discrimination (DisDis) method to predict personalized motion patterns by distinguishing the potential distributions. Motivated by that the motion pattern of each person is personalized due to his/her habit, our DisDis learns the latent distribution to represent different motion patterns and optimize it by the contrastive discrimination. This distribution discrimination encourages latent distributions to be more discriminative. Our method can be integrated with existing multi-modal stochastic predictive models as a plug-and-play module to learn the more discriminative latent distribution. To evaluate the latent distribution, we further propose a new metric, probability cumulative minimum distance (PCMD) curve, which cumulatively calculates the minimum distance on the sorted probabilities. Experimental results on the ETH and UCY datasets show the effectiveness of our method.
• Abstract（参考訳）: 軌道予測は、多様性と精度の両方で将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本稿では,潜在的な分布を識別し,パーソナライズされた動作パターンを予測するDisDis(Disdis)手法を提案する。 それぞれの人の動作パターンが習慣によってパーソナライズされていることに動機づけられ、disdisは潜伏分布を学習し、異なる動きパターンを表現し、対比的な識別によって最適化する。 この分布判別により、潜伏分布はより差別的になる。 本手法は,既存のマルチモーダル確率予測モデルをプラグアンドプレイモジュールとして統合することで,より識別的な潜在分布を学習できる。 さらに, 潜在分布を評価するために, ソートされた確率の最小距離を累積計算する, 確率累積最小距離(PCMD)曲線を提案する。 ETHおよびUCYデータセットの実験結果から,本手法の有効性が示された。

関連論文リスト

• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Training Implicit Generative Models via an Invariant Statistical Loss [3.139474253994318]
  暗黙的な生成モデルは任意の複雑なデータ分布を学習する能力を持つ。 マイナス面として、トレーニングでは、敵対的判別器を使用して人工的に生成されたデータと実際のデータを区別する必要がある。 本研究では,1次元(1次元)生成暗黙的モデルを学習するための判別器フリーな手法を開発した。
  論文  参考訳（メタデータ） (2024-02-26T09:32:28Z)
• Statistical Inference Under Constrained Selection Bias [20.862583584531322]
  本稿では,選択バイアスが存在する場合の統計的推測を可能にする枠組みを提案する。 出力は、目標分布に対する推定値に対する高確率境界である。 我々はこれらの境界を推定するための手法の計算的および統計的特性を分析し、これらの手法が様々なシミュレートされた半合成的なタスクに対して情報的境界を生成可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T23:05:26Z)
• Learning and Predicting Multimodal Vehicle Action Distributions in a Unified Probabilistic Model Without Labels [26.303522885475406]
  本稿では、個別の車両行動の代表集合を学習し、特定のシナリオに応じて各行動の確率を予測する統一確率モデルを提案する。 我々のモデルはまた、シナリオ上で条件付けられた連続的な軌道上の分布を推定することができ、そのシナリオで実行された場合、それぞれの離散アクションがどのように見えるかを表現します。
  論文  参考訳（メタデータ） (2022-12-14T04:01:19Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Distributed NLI: Learning to Predict Human Opinion Distributions for Language Reasoning [76.17436599516074]
  自然言語推論のための人間の判断の分布を予測することを目的としている新しいNLUタスクである分散NLIを紹介します。 本研究では,モンテカルロ(MC)Dropout,Deep Ensemble,Re-Calibration,Distribution Distillationという新たな分布推定手法を適用することで,人間の判断分布を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-18T01:25:19Z)
• A Brief Introduction to Generative Models [8.031257560764336]
  我々は、機械学習の中心課題として生成モデリングを導入し、動機づける。 KL-発散の最小化としてどのように解釈できるかを概説する。 本稿では,推定分布と実データ分布の差異を考察する代替逆アプローチを検討する。
  論文  参考訳（メタデータ） (2021-02-27T16:49:41Z)
• Out-of-distribution detection for regression tasks: parameter versus predictor entropy [2.026281591452464]
  マシンラーニングモデルが信頼されるためのトレーニングサンプルから、インスタンスが正しく外れていることを検出することが重要です。 ニューラルネットワークの場合、このタスクの1つのアプローチは、トレーニングデータを説明することができる予測子の多様性を学習することである。 そこで本研究では,関数空間に近接する隣接点に基づく予測器上の分布のエントロピーを推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-24T21:41:21Z)
• Distributional Reinforcement Learning via Moment Matching [54.16108052278444]
  ニューラルネットワークを用いて各戻り分布から統計量の有限集合を学習する手法を定式化する。 我々の手法は、戻り分布とベルマン目標の間のモーメントの全ての順序を暗黙的に一致させるものとして解釈できる。 Atariゲームスイートの実験により,本手法は標準分布RLベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-24T05:18:17Z)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。