論文の概要: Equivariant Deep Dynamical Model for Motion Prediction
- arxiv url: http://arxiv.org/abs/2111.01892v1
- Date: Tue, 2 Nov 2021 21:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 00:52:49.707865
- Title: Equivariant Deep Dynamical Model for Motion Prediction
- Title(参考訳): 運動予測のための等変深部力学モデル
- Authors: Bahar Azari and Deniz Erdo\u{g}mu\c{s}
- Abstract要約: 深層生成モデリングは、データの最も単純化され圧縮された基礎的な記述を見つけるための動的モデリングの強力なアプローチである。
ほとんどの学習タスクは固有の対称性を持ち、すなわち入力変換は出力をそのままにするか、出力が同様の変換を行う。
本稿では, 入力空間の構造的表現を, 対称性の変換とともに変化するという意味で学習する動き予測のためのSO(3)同変深部力学モデル(EqDDM)を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning representations through deep generative modeling is a powerful
approach for dynamical modeling to discover the most simplified and compressed
underlying description of the data, to then use it for other tasks such as
prediction. Most learning tasks have intrinsic symmetries, i.e., the input
transformations leave the output unchanged, or the output undergoes a similar
transformation. The learning process is, however, usually uninformed of these
symmetries. Therefore, the learned representations for individually transformed
inputs may not be meaningfully related. In this paper, we propose an SO(3)
equivariant deep dynamical model (EqDDM) for motion prediction that learns a
structured representation of the input space in the sense that the embedding
varies with symmetry transformations. EqDDM is equipped with equivariant
networks to parameterize the state-space emission and transition models. We
demonstrate the superior predictive performance of the proposed model on
various motion data.
- Abstract(参考訳): 深層生成モデリングによる表現の学習は、動的モデリングがデータの最も単純化され圧縮された基礎的な記述を発見し、予測のような他のタスクでそれを使うための強力なアプローチである。
ほとんどの学習タスクは固有の対称性を持ち、すなわち入力変換は出力をそのままにするか、出力が同様の変換を行う。
しかし、学習プロセスは、通常、これらの対称性を変形しない。
したがって、個々の変換された入力に対する学習表現は意味的に関連しないかもしれない。
本稿では, 入力空間の構造的表現を, 対称性の変換によって異なるという意味で学習する動き予測のためのSO(3)同変深部力学モデル(EqDDM)を提案する。
EqDDMは、状態空間の放出と遷移モデルをパラメータ化するための同変ネットワークを備えている。
本稿では,提案モデルの各種動作データに対する優れた予測性能を示す。
関連論文リスト
- Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。
入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
論文 参考訳(メタデータ) (2024-10-07T23:53:25Z) - Latent State Models of Training Dynamics [51.88132043461152]
異なるランダムなシードでモデルをトレーニングし、トレーニングを通じてさまざまなメトリクスを計算します。
次に、結果のメトリクス列に隠れマルコフモデル(HMM)を適合させる。
我々はHMM表現を用いて相転移を研究し、収束を遅くする潜伏状態(detour state)を特定する。
論文 参考訳(メタデータ) (2023-08-18T13:20:08Z) - EqMotion: Equivariant Multi-agent Motion Prediction with Invariant
Interaction Reasoning [83.11657818251447]
不変相互作用推論を用いた効率的な同変運動予測モデルであるEqMotionを提案する。
提案モデルに対して,粒子動力学,分子動力学,人体骨格運動予測,歩行者軌道予測の4つの異なるシナリオで実験を行った。
提案手法は4つのタスクすべてに対して最先端の予測性能を実現し,24.0/30.1/8.6/9.2%改善した。
論文 参考訳(メタデータ) (2023-03-20T05:23:46Z) - Learning Symmetric Embeddings for Equivariant World Models [9.781637768189158]
入力空間(例えば画像)を符号化する学習対称埋め込みネットワーク(SEN)を提案する。
このネットワークは、同変のタスクネットワークでエンドツーエンドにトレーニングして、明示的に対称な表現を学ぶことができる。
実験により、SENは複素対称性表現を持つデータへの同変ネットワークの適用を促進することを示した。
論文 参考訳(メタデータ) (2022-04-24T22:31:52Z) - Dimensionless machine learning: Imposing exact units equivariance [7.9926585627926166]
単位等価な機械学習のための2段階の学習手順を提供する。
まず、次元解析による古典的な結果を用いて、その入力の無次元バージョンを構築する。
そして、無次元空間で推論を行う。
論文 参考訳(メタデータ) (2022-04-02T15:46:20Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - Topographic VAEs learn Equivariant Capsules [84.33745072274942]
本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。
このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。
我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
論文 参考訳(メタデータ) (2021-09-03T09:25:57Z) - Learning Equivariant Energy Based Models with Equivariant Stein
Variational Gradient Descent [80.73580820014242]
本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。
まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。
我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
論文 参考訳(メタデータ) (2021-06-15T01:35:17Z) - Incorporating Symmetry into Deep Dynamics Models for Improved
Generalization [24.363954435050264]
本稿では,畳み込みニューラルネットワークに対称性を組み込むことにより,精度の向上と一般化を提案する。
我々のモデルは、対称性群変換による分布シフトに対して理論的かつ実験的に堅牢である。
画像やテキストアプリケーションと比較して、我々の研究は、高次元システムに同変ニューラルネットワークを適用するための重要なステップである。
論文 参考訳(メタデータ) (2020-02-08T01:28:17Z)
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。