論文の概要: Variational Predictive Routing with Nested Subjective Timescales
- arxiv url: http://arxiv.org/abs/2110.11236v1
- Date: Thu, 21 Oct 2021 16:12:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 16:26:28.871571
- Title: Variational Predictive Routing with Nested Subjective Timescales
- Title（参考訳）: Nested Subjective Timescalesを用いた変動予測ルーティング
- Authors: Alexey Zakharov, Qinghai Guo, Zafeirios Fountas
- Abstract要約: 本稿では,時間的階層に潜む映像の特徴を整理するニューラル推論システムである変動予測ルーティング(PRV)を提案する。
VPRはイベント境界を検出し、時間的特徴を分散させ、データの動的階層に適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
- 参考スコア（独自算出の注目度）: 1.6114012813668934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovery and learning of an underlying spatiotemporal hierarchy in
sequential data is an important topic for machine learning. Despite this,
little work has been done to explore hierarchical generative models that can
flexibly adapt their layerwise representations in response to datasets with
different temporal dynamics. Here, we present Variational Predictive Routing
(VPR) - a neural probabilistic inference system that organizes latent
representations of video features in a temporal hierarchy, based on their rates
of change, thus modeling continuous data as a hierarchical renewal process. By
employing an event detection mechanism that relies solely on the system's
latent representations (without the need of a separate model), VPR is able to
dynamically adjust its internal state following changes in the observed
features, promoting an optimal organisation of representations across the
levels of the model's latent hierarchy. Using several video datasets, we show
that VPR is able to detect event boundaries, disentangle spatiotemporal
features across its hierarchy, adapt to the dynamics of the data, and produce
accurate time-agnostic rollouts of the future. Our approach integrates insights
from neuroscience and introduces a framework with high potential for
applications in model-based reinforcement learning, where flexible and
informative state-space rollouts are of particular interest.
- Abstract（参考訳）: 逐次データにおける時空間階層の発見と学習は、機械学習の重要なトピックである。
それにもかかわらず、時間的ダイナミクスの異なるデータセットに柔軟に対応して階層的表現を適応させることができる階層的生成モデルの研究は、ほとんど行われていない。
本稿では,その変化率に基づいて映像特徴の潜在表現を時間階層に整理し,連続データを階層的更新プロセスとしてモデル化するニューラルネットワークである変分予測ルーティング(VPR)を提案する。
システムの潜時表現のみに依存するイベント検出機構(別モデルを必要としない)を利用することで、VPRは観測された特徴の変化に従って内部状態を動的に調整し、モデル潜時階層のレベルを越えて最適な表現の組織化を促進することができる。
いくつかのビデオデータセットを用いて、VPRはイベント境界を検出し、その階層にわたって時空間の特徴を分散させ、データのダイナミクスに適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
我々のアプローチは神経科学の知見を統合し、フレキシブルで情報的な状態空間のロールアウトが特に関心を持つモデルベース強化学習の応用の可能性の高いフレームワークを導入する。
関連論文リスト
- eXponential FAmily Dynamical Systems (XFADS): Large-scale nonlinear Gaussian state-space modeling [9.52474299688276]
非線形状態空間グラフィカルモデルのための低ランク構造化変分オートエンコーダフレームワークを提案する。
我々のアプローチは、より予測的な生成モデルを学ぶ能力を一貫して示している。
論文 参考訳（メタデータ） (2024-03-03T02:19:49Z) - TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。
提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。
我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文 参考訳（メタデータ） (2024-01-06T06:26:49Z) - Neural Koopman prior for data assimilation [7.875955593012905]
ニューラルネットワークアーキテクチャを使って、潜在空間に動的システムを埋め込む。
本研究では,このようなモデルを長期の継続的再構築のために訓練する手法を提案する。
また,変動データ同化手法の先行として,訓練された動的モデルの有望な利用を示すとともに,自己教師型学習の可能性も示された。
論文 参考訳（メタデータ） (2023-09-11T09:04:36Z) - PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
我々は PDSketch という新しいドメイン定義言語を提案する。
これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。
移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
論文 参考訳（メタデータ） (2023-03-09T18:54:12Z) - Anamnesic Neural Differential Equations with Orthogonal Polynomial
Projections [6.345523830122166]
本稿では,長期記憶を強制し,基礎となる力学系の大域的表現を保存する定式化であるPolyODEを提案する。
提案手法は理論的保証に支えられ,過去と将来のデータの再構築において,過去の成果よりも優れていたことを実証する。
論文 参考訳（メタデータ） (2023-03-03T10:49:09Z) - Decomposed Linear Dynamical Systems (dLDS) for learning the latent
components of neural dynamics [6.829711787905569]
本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。
我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。
連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
論文 参考訳（メタデータ） (2022-06-07T02:25:38Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Deep Neural Dynamic Bayesian Networks applied to EEG sleep spindles
modeling [0.0]
本稿では,視覚的スコアリングにおいて専門家が積極的に実施する制約を組み込んだ単一チャネル脳波生成モデルを提案する。
我々は、一般化期待最大化の特別な場合として、正確に、抽出可能な推論のためのアルゴリズムを導出する。
我々は、このモデルを3つの公開データセット上で検証し、より複雑なモデルが最先端の検出器を越えられるように支援する。
論文 参考訳（メタデータ） (2020-10-16T21:48:29Z)
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。