論文の概要: Predictive Event Segmentation and Representation with Neural Networks: A
Self-Supervised Model Assessed by Psychological Experiments
- arxiv url: http://arxiv.org/abs/2210.05710v1
- Date: Tue, 4 Oct 2022 14:14:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-16 16:04:11.865805
- Title: Predictive Event Segmentation and Representation with Neural Networks: A
Self-Supervised Model Assessed by Psychological Experiments
- Title（参考訳）: ニューラルネットワークを用いた予測イベントセグメンテーションと表現:心理的実験による自己教師ありモデル
- Authors: Hamit Basgol, Inci Ayhan, Emre Ugur
- Abstract要約: イベントセグメンテーションの自己教師型モデルを導入する。
我々のモデルは、次のタイミングで知覚信号を予測し、異なる事象を表現するニューラルネットワークで構成されています。
予測誤り信号を追跡するモデルでは,人間のような事象境界や事象表現が生成可能であることを示す。
- 参考スコア（独自算出の注目度）: 2.223733768286313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: People segment complex, ever-changing and continuous experience into basic,
stable and discrete spatio-temporal experience units, called events. Event
segmentation literature investigates the mechanisms that allow people to
extract events. Event segmentation theory points out that people predict
ongoing activities and observe prediction error signals to find event
boundaries that keep events apart. In this study, we investigated the mechanism
giving rise to this ability by a computational model and accompanying
psychological experiments. Inspired from event segmentation theory and
predictive processing, we introduced a self-supervised model of event
segmentation. This model consists of neural networks that predict the sensory
signal in the next time-step to represent different events, and a cognitive
model that regulates these networks on the basis of their prediction errors. In
order to verify the ability of our model in segmenting events, learning them
during passive observation, and representing them in its internal
representational space, we prepared a video that depicts human behaviors
represented by point-light displays. We compared event segmentation behaviors
of participants and our model with this video in two hierarchical event
segmentation levels. By using point-biserial correlation technique, we
demonstrated that event segmentation decisions of our model correlated with the
responses of participants. Moreover, by approximating representation space of
participants by a similarity-based technique, we showed that our model formed a
similar representation space with those of participants. The result suggests
that our model that tracks the prediction error signals can produce human-like
event boundaries and event representations. Finally, we discussed our
contribution to the literature of event cognition and our understanding of how
event segmentation is implemented in the brain.
- Abstract（参考訳）: 複雑で、常に変化し、継続的な経験を、イベントと呼ばれる、基本的な、安定した、離散的な時空間経験単位に分割する。
イベントセグメンテーションの文献は、人々がイベントを抽出できるメカニズムを調査します。
イベントセグメンテーション理論では、人々は進行中のアクティビティを予測し、予測エラー信号を観察し、イベントを区別するイベント境界を見つける。
本研究では,この能力を生み出すメカニズムを計算モデルと心理学実験を用いて検討した。
イベントセグメンテーション理論と予測処理から着想を得て,イベントセグメンテーションの自己教師モデルを導入した。
このモデルは、次のタイミングで知覚信号を予測して異なる事象を表現するニューラルネットワークと、これらのネットワークを予測エラーに基づいて制御する認知モデルから構成される。
モデルがイベントをセグメンテーションし、受動的観察中に学習し、その内部表現空間で表現する能力を検証するために、ポイントライトディスプレイで表現された人間の行動を描写した映像を作成した。
参加者とモデルのイベントセグメンテーションの挙動を,2つの階層的なイベントセグメンテーションレベルで比較した。
ポイントバイセリアル相関法を用いて,モデルのイベントセグメンテーション決定と参加者の反応との関係を実証した。
さらに、類似性に基づく手法により参加者の表現空間を近似することにより、我々のモデルは参加者と類似した表現空間を形成することを示した。
その結果,予測誤り信号を追跡するモデルでは,人間のような事象境界や事象表現を生成できる可能性が示唆された。
最後に,イベント認知の文献への貢献と,イベントセグメンテーションが脳にどのように実装されているかの理解について考察した。
関連論文リスト
- Interpretable Neural Temporal Point Processes for Modelling Electronic Health Records [0.0]
本稿では、イベントシーケンスモデリングのための解釈可能なフレームワーク inf2vec を提案し、イベントの影響を直接パラメータ化し、エンドツーエンドで学習することができる。
実験では,イベント予測におけるモデルの有効性と,型型学習の影響を実証した。
論文 参考訳（メタデータ） (2024-04-09T12:37:41Z) - Improving Event Definition Following For Zero-Shot Event Detection [66.27883872707523]
ゼロショットイベント検出に対する既存のアプローチは通常、既知のイベントタイプをアノテートしたデータセット上でモデルをトレーニングする。
イベント定義に従うためのトレーニングモデルによるゼロショットイベント検出の改善を目指しています。
論文 参考訳（メタデータ） (2024-03-05T01:46:50Z) - Enhancing Asynchronous Time Series Forecasting with Contrastive
Relational Inference [21.51753838306655]
時間点プロセス(TPP)は、そのようなモデリングの標準的な方法である。
既存のTPPモデルは、イベントの相互作用を明示的にモデル化する代わりに、将来のイベントの条件分布に焦点を当てており、イベント予測の課題を示唆している。
本稿では,ニューラル推論(NRI)を利用して,観測データから動的パターンを同時に学習しながら,相互作用を推論するグラフを学習する手法を提案する。
論文 参考訳（メタデータ） (2023-09-06T09:47:03Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳（メタデータ） (2023-05-26T14:40:46Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Modeling Continuous Time Sequences with Intermittent Observations using
Marked Temporal Point Processes [25.074394338483575]
人間の活動を通じて生成された大量のデータは、連続した時間のイベントのシーケンスとして表現することができる。
これらの連続的なイベントシーケンスに対するディープラーニングモデルは、非自明なタスクである。
本研究では,イベントシーケンスが欠落している場合にMTPPを学習するための新しい教師なしモデルと推論手法を提案する。
論文 参考訳（メタデータ） (2022-06-23T18:23:20Z) - Variational Neural Temporal Point Process [22.396329275957996]
時間的ポイントプロセスは、どのイベントが発生するか、いつ発生するかを予測するプロセスである。
推論と生成ネットワークを導入し、潜伏変数の分布をトレーニングし、ディープニューラルネットワーク上の特性に対処する。
我々は,これらのモデルが様々なイベントの表現を一般化できることを実証的に実証した。
論文 参考訳（メタデータ） (2022-02-17T13:34:30Z) - Multi-level Motion Attention for Human Motion Prediction [132.29963836262394]
本研究は, 関節, 身体部分, フルポーズレベルなど, 異なる種類の注意力の使用について検討した。
我々は,Human3.6M,AMASS,3DPWを用いて,周期的および非周期的両方の行動に対するアプローチの利点を検証した。
論文 参考訳（メタデータ） (2021-06-17T08:08:11Z) - Hawkes Processes on Graphons [85.6759041284472]
我々は、グランガー因果グラフに関連するホークス過程とその変種について研究する。
対応するホークスプロセスを生成し、イベントシーケンスをシミュレートすることができる。
生成した事象列と観測された事象列との間の階層的最適輸送距離を最小化することにより,提案モデルを学習する。
論文 参考訳（メタデータ） (2021-02-04T17:09:50Z) - Noisy Agents: Self-supervised Exploration by Predicting Auditory Events [127.82594819117753]
本稿では, エージェントが行動の因果的影響を理解することを奨励する, 強化学習(Reinforcement Learning, RL)の本質的なモチベーションを提案する。
ニューラルネットワークを用いて聴覚事象を予測し、予測誤差を本質的な報奨として利用し、RL探索を誘導する。
Atariゲームの実験結果から、我々の新しい本質的な動機は、最先端のベースラインを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2020-07-27T17:59:08Z) - Neural Conditional Event Time Models [11.920908437656413]
イベント時間モデルは、既知の特徴に基づいて、関心のあるイベントの発生時間を予測する。
我々は,a)事象発生確率,b)発生予測時刻を区別する条件付き事象時刻モデルを開発する。
その結果, 合成データ, 医療イベント (MIMIC-III) , ソーシャルメディア投稿において, イベント発生およびイベント時間予測の精度が向上した。
論文 参考訳（メタデータ） (2020-04-03T05:08:13Z)
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。