論文の概要: Bringing robotics taxonomies to continuous domains via GPLVM on
hyperbolic manifolds
- arxiv url: http://arxiv.org/abs/2210.01672v1
- Date: Tue, 4 Oct 2022 15:19:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 15:45:46.651769
- Title: Bringing robotics taxonomies to continuous domains via GPLVM on
hyperbolic manifolds
- Title(参考訳): 双曲多様体上のgplvmによる連続ドメインへのロボティクス分類の導入
- Authors: No\'emie Jaquier, Leonel Rozo, Miguel Gonz\'alez-Duque, Viacheslav
Borovitskiy, Tamim Asfour
- Abstract要約: 我々のモデルは既存の分類学のカテゴリーや新しい分類学のカテゴリーから見当たらないポーズを適切にエンコードしている。
埋め込み間の軌道を生成するために使用することができ、ユークリッドの軌道よりも優れている。
- 参考スコア(独自算出の注目度): 6.908289045305483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotic taxonomies have appeared as high-level hierarchical abstractions that
classify how humans move and interact with their environment. They have proven
useful to analyse grasps, manipulation skills, and whole-body support poses.
Despite the efforts devoted to design their hierarchy and underlying
categories, their use in application fields remains scarce. This may be
attributed to the lack of computational models that fill the gap between the
discrete hierarchical structure of the taxonomy and the high-dimensional
heterogeneous data associated to its categories. To overcome this problem, we
propose to model taxonomy data via hyperbolic embeddings that capture the
associated hierarchical structure. To do so, we formulate a Gaussian process
hyperbolic latent variable model and enforce the taxonomy structure through
graph-based priors on the latent space and distance-preserving back
constraints. We test our model on the whole-body support pose taxonomy to learn
hyperbolic embeddings that comply with the original graph structure. We show
that our model properly encodes unseen poses from existing or new taxonomy
categories, it can be used to generate trajectories between the embeddings, and
it outperforms its Euclidean counterparts.
- Abstract(参考訳): ロボット分類学は、人間の行動や環境との相互作用を分類するハイレベルな階層的抽象概念として現れてきた。
これらは、把握、操作スキル、全身サポートポーズの分析に有用であることが証明されている。
階層と下位のカテゴリを設計する努力にもかかわらず、アプリケーション分野での使用は依然として少ない。
これは分類学の離散的な階層構造と、そのカテゴリに関連する高次元の不均質なデータの間のギャップを埋める計算モデルがないことに起因しているかもしれない。
この問題を克服するために,双曲組込みによる分類データをモデル化し,関連する階層構造を捉えることを提案する。
そこで我々は,ガウス過程双曲的潜在変数モデルを定式化し,潜在空間上のグラフに基づく事前と距離保存バック制約を通じて分類構造を強制する。
私たちは、元のグラフ構造に準拠した双曲的埋め込みを学ぶために、全身的サポートでモデルをテストする。
本モデルでは,既存の分類カテゴリーや新分類カテゴリーの未知のポーズを適切にエンコードし,埋め込み間の軌跡の生成に利用し,ユークリッド種よりも優れていることを示す。
関連論文リスト
- Data-efficient Large Vision Models through Sequential Autoregression [58.26179273091461]
限られたデータセットに基づいて,効率的な自己回帰に基づく視覚モデルを構築する。
このモデルは,高レベル・低レベルのセマンティック理解の両方にまたがる視覚的タスクにおいて,その習熟度をいかに達成するかを実証する。
我々の経験的評価は、モデルが様々なタスクに適応する際の機敏さを強調し、パラメータフットプリントの大幅な削減を図った。
論文 参考訳(メタデータ) (2024-02-07T13:41:53Z) - TaBIIC: Taxonomy Building through Iterative and Interactive Clustering [2.817412580574242]
本稿では,反復的かつインタラクティブなプロセスにおいて,両方のアプローチからインスピレーションを得る方法を検討する。
本稿では,本手法が様々なデータソースに適用可能であることを示し,オントロジーにより直接的に組み込むことができることを示す。
論文 参考訳(メタデータ) (2023-12-10T12:17:43Z) - MoDi: Unconditional Motion Synthesis from Diverse Data [51.676055380546494]
多様な動きを合成する無条件生成モデルであるMoDiを提案する。
我々のモデルは、多様な、構造化されていない、ラベルなしのモーションデータセットから完全に教師なしの設定で訓練されている。
データセットに構造が欠けているにもかかわらず、潜在空間は意味的にクラスタ化可能であることを示す。
論文 参考訳(メタデータ) (2022-06-16T09:06:25Z) - Hierarchical Graph-Convolutional Variational AutoEncoding for Generative
Modelling of Human Motion [1.2599533416395767]
人間の動きのモデルは通常、軌跡予測または行動分類に焦点を当てるが、どちらもまれである。
本稿では,階層的変動オートエンコーダと深部グラフ畳み込みニューラルネットワークに基づく新しいアーキテクチャを提案する。
この階層型グラフ共進化型自己エンコーダ(HG-VAE)は、コヒーレントな動作を生成し、分布外データを検出し、モデルの後部への勾配上昇による欠落データを出力できることを示す。
論文 参考訳(メタデータ) (2021-11-24T16:21:07Z) - Modeling Heterogeneous Hierarchies with Relation-specific Hyperbolic
Cones [64.75766944882389]
知識グラフにおける複数の階層的および非階層的関係を同時にモデル化できるKG埋め込みモデルであるConE(Cone Embedding)を提案する。
特に、ConEは双曲埋め込み空間の異なる部分空間における円錐包含制約を用いて、複数の異種階層をキャプチャする。
我々のアプローチでは、WN18RRで45.3%、DDB14で16.1%の新しい最先端hits@1が得られる(0.231 MRR)。
論文 参考訳(メタデータ) (2021-10-28T07:16:08Z) - 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) - Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational
Inference [48.63194907060615]
半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。
我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
論文 参考訳(メタデータ) (2020-10-31T05:48:34Z) - A Fully Hyperbolic Neural Model for Hierarchical Multi-Class
Classification [7.8176853587105075]
双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。
本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。
徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
論文 参考訳(メタデータ) (2020-10-05T14:42:56Z) - Lossless Compression of Structured Convolutional Models via Lifting [14.63152363481139]
我々は, 情報を失うことなく, 対称性を検出し, ニューラルネットワークを圧縮する, シンプルで効率的な手法を提案する。
このような圧縮が構造的畳み込みモデルの大幅な高速化につながることを実験を通じて実証する。
論文 参考訳(メタデータ) (2020-07-13T08:02:27Z) - TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced
Graph Neural Network [62.12557274257303]
分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。
そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。
本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
論文 参考訳(メタデータ) (2020-01-26T21:30:21Z)
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。