論文の概要: Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective

• arxiv url: http://arxiv.org/abs/2111.14820v1
• Date: Mon, 29 Nov 2021 18:59:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-30 14:56:12.625724
• Title: Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective
• Title（参考訳）: ロバストと適応運動予測に向けて:因果表現の視点から
• Authors: Yuejiang Liu, Riccardo Cadei, Jonas Schweizer, Sherwin Bahmani, Alexandre Alahi
• Abstract要約: 本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 72.55093886515824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning behavioral patterns from observational data has been a de-facto approach to motion forecasting. Yet, the current paradigm suffers from two shortcomings: brittle under covariate shift and inefficient for knowledge transfer. In this work, we propose to address these challenges from a causal representation perspective. We first introduce a causal formalism of motion forecasting, which casts the problem as a dynamic process with three groups of latent variables, namely invariant mechanisms, style confounders, and spurious features. We then introduce a learning framework that treats each group separately: (i) unlike the common practice of merging datasets collected from different locations, we exploit their subtle distinctions by means of an invariance loss encouraging the model to suppress spurious correlations; (ii) we devise a modular architecture that factorizes the representations of invariant mechanisms and style confounders to approximate a causal graph; (iii) we introduce a style consistency loss that not only enforces the structure of style representations but also serves as a self-supervisory signal for test-time refinement on the fly. Experiment results on synthetic and real datasets show that our three proposed components significantly improve the robustness and reusability of the learned motion representations, outperforming prior state-of-the-art motion forecasting models for out-of-distribution generalization and low-shot transfer.
• Abstract（参考訳）: 観測データから行動パターンを学習することは、運動予測のデファクトアプローチである。 しかし、現在のパラダイムは2つの欠点に悩まされている。 本研究では,これらの課題を因果表現の観点から解決することを提案する。 まず,運動予測の因果形式を導入し,不変機構,共起体,散発的特徴の3つの潜在変数群からなる動的プロセスとして問題を取り上げる。 次に、各グループを別々に扱う学習フレームワークを紹介します。 (i)異なる場所から収集されたデータセットをマージするという一般的な慣行とは異なり、その微妙な区別を、モデルにスプリアス相関を抑制するよう促す不分散損失によって活用する。 (ii)因果グラフを近似するために不変機構とスタイル共起者の表現を分解するモジュラーアーキテクチャを考案する。 (iii)スタイル表現の構造を強制するだけでなく,テスト時間の改良のための自己スーパーバイザリー信号としても機能するスタイル一貫性損失を導入する。 合成および実データを用いた実験結果から,提案した3つのコンポーネントは,学習した動き表現の堅牢性と再利用性を大幅に向上し,分布外一般化と低ショット転送のための最先端動作予測モデルよりも優れていた。

関連論文リスト

• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術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） (2024-08-10T17:04:39Z)
• FiP: a Fixed-Point Approach for Causal Generative Modeling [20.88890689294816]
  因果順序付き変数上の不動点問題を記述するのにDAGを必要としない新しい等価形式法を提案する。 トポロジカル秩序(TO)を考慮し,一意に回復できる3つの重要な症例を示す。
  論文  参考訳（メタデータ） (2024-04-10T12:29:05Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• On the Learning Dynamics of Attention Networks [0.7614628596146599]
  注意モデルは、ソフトアテンション(Soft attention)、ハードアテンション(ハードアテンション)、潜在可変限界アテンション(LVML)と呼ばれる3つの標準損失関数のうちの1つを最適化することによって学習される。 これらのパラダイムを用いて学習したモデルのユニークなシグネチャを観察し、勾配勾配下での分類モデルの進化の結果として説明する。 本稿では、損失関数の利点を組み合わせた単純なハイブリッドアプローチを提案し、半合成および実世界のデータセットの集合上でそれを実証する。
  論文  参考訳（メタデータ） (2023-07-25T11:40:47Z)
• Consistent Explanations in the Face of Model Indeterminacy via Ensembling [12.661530681518899]
  この研究は、モデル不確定性の存在下で予測モデルに対して一貫した説明を提供することの課題に対処する。 これらのシナリオで提供される説明の一貫性を高めるためのアンサンブル手法を導入する。 本研究は,説明文の解釈において,モデル不確定性を考慮することの重要性を強調した。
  論文  参考訳（メタデータ） (2023-06-09T18:45:43Z)
• Motion-Scenario Decoupling for Rat-Aware Video Position Prediction: Strategy and Benchmark [49.58762201363483]
  本研究では,個人や環境の影響要因を考慮し,生物ロボットの動き予測データセットであるRatPoseを紹介する。 本稿では,シナリオ指向とモーション指向を効果的に分離するDual-stream Motion-Scenario Decouplingフレームワークを提案する。 難易度が異なるタスクに対して,提案したtextitDMSD フレームワークの大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2023-05-17T14:14:31Z)
• Diffusion Action Segmentation [63.061058214427085]
  本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。 このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
  論文  参考訳（メタデータ） (2023-03-31T10:53:24Z)
• Identifying Weight-Variant Latent Causal Models [82.14087963690561]
  推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。 いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。 本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2022-08-30T11:12:59Z)
• Generalizable Information Theoretic Causal Representation [37.54158138447033]
  本稿では,観測データから因果表現を学習するために,仮説因果グラフに基づいて相互情報量で学習手順を規則化することを提案する。 この最適化は、因果性に着想を得た学習がサンプルの複雑さを減らし、一般化能力を向上させるという理論的保証を導出する反ファクト的損失を伴う。
  論文  参考訳（メタデータ） (2022-02-17T00:38:35Z)
• Disentangling Action Sequences: Discovering Correlated Samples [6.179793031975444]
  我々は、データ自体が要因ではなく非絡み合いにおいて重要な役割を担い、非絡み合い表現は潜在変数とアクションシーケンスとを一致させることを示した。 本稿では,アクションシーケンスをステップバイステップで切り離すための新しいフレームワークFVAEを提案する。 dSprites と 3D Chairs の実験結果から, FVAE は絡み合いの安定性を向上させることが示された。
  論文  参考訳（メタデータ） (2020-10-17T07:37:50Z)

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。