論文の概要: TimewarpVAE: Simultaneous Time-Warping and Representation Learning of
Trajectories
- arxiv url: http://arxiv.org/abs/2310.16027v1
- Date: Tue, 24 Oct 2023 17:43:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 17:26:42.762495
- Title: TimewarpVAE: Simultaneous Time-Warping and Representation Learning of
Trajectories
- Title(参考訳): TimewarpVAE: 軌跡の同時学習と表現学習
- Authors: Travers Rhodes and Daniel D. Lee
- Abstract要約: TimewarpVAEは、時間変動と空間変動の潜時要因の両方を学習する多様体学習アルゴリズムである。
小型手書きとフォーク操作データセットにおいて,適切な時間アライメントと空間変動の有意義な表現を学習する方法を示す。
- 参考スコア(独自算出の注目度): 18.052367794265916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human demonstrations of trajectories are an important source of training data
for many machine learning problems. However, the difficulty of collecting human
demonstration data for complex tasks makes learning efficient representations
of those trajectories challenging. For many problems, such as for handwriting
or for quasistatic dexterous manipulation, the exact timings of the
trajectories should be factored from their spatial path characteristics. In
this work, we propose TimewarpVAE, a fully differentiable manifold-learning
algorithm that incorporates Dynamic Time Warping (DTW) to simultaneously learn
both timing variations and latent factors of spatial variation. We show how the
TimewarpVAE algorithm learns appropriate time alignments and meaningful
representations of spatial variations in small handwriting and fork
manipulation datasets. Our results have lower spatial reconstruction test error
than baseline approaches and the learned low-dimensional representations can be
used to efficiently generate semantically meaningful novel trajectories.
- Abstract(参考訳): 軌道の人間の実演は多くの機械学習問題に対するトレーニングデータの重要な情報源である。
しかしながら、複雑なタスクのために人間のデモンストレーションデータを集めるのが難しいため、これらの軌道の効率的な表現を学ぶことは困難である。
手書きや擬似乱数操作などの多くの問題に対して、軌道の正確なタイミングはそれらの空間的経路特性から決定されるべきである。
本研究では,動的時間ウォーピング(DTW)を取り入れた完全微分可能多様体学習アルゴリズムであるTimewarpVAEを提案する。
本稿では,timewarpvaeアルゴリズムが,手書き文字やフォーク操作データセットにおける空間変動の適切な時間アライメントと意味表現をどのように学習するかを示す。
その結果, 基礎的手法よりも空間的再構成テスト誤差が低く, 学習した低次元表現は意味的に有意義な新しい軌跡を効率的に生成できることがわかった。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - Temporal Embeddings: Scalable Self-Supervised Temporal Representation
Learning from Spatiotemporal Data for Multimodal Computer Vision [1.4127889233510498]
移動活動時系列に基づいて景観を階層化する新しい手法を提案する。
ピクセルワイズ埋め込みは、タスクベースのマルチモーダルモデリングに使用できるイメージライクなチャネルに変換される。
論文 参考訳(メタデータ) (2023-10-16T02:53:29Z) - T-Rep: Representation Learning for Time Series using Time-Embeddings [0.36832029288386137]
本稿では,時系列表現を時間ステップの粒度で学習する自己教師型T-Repを提案する。
T-Repはその特徴抽出器と共に時間のベクトル埋め込みを学び、時間的特徴を抽出する。
下流分類,予測,異常検出タスクにおけるT-Repの評価を行った。
論文 参考訳(メタデータ) (2023-10-06T15:45:28Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.89014020303557]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳(メタデータ) (2023-08-02T12:04:28Z) - Multi-Task Self-Supervised Time-Series Representation Learning [3.31490164885582]
時系列表現学習は、時間的ダイナミクスとスパースラベルを持つデータから表現を抽出することができる。
自己教師型タスクの利点を組み合わせた時系列表現学習手法を提案する。
本稿では,時系列分類,予測,異常検出という3つのダウンストリームタスクの枠組みについて検討する。
論文 参考訳(メタデータ) (2023-03-02T07:44:06Z) - Semi-supervised Learning of Partial Differential Operators and Dynamical
Flows [68.77595310155365]
本稿では,超ネットワーク解法とフーリエニューラル演算子アーキテクチャを組み合わせた新しい手法を提案する。
本手法は, 1次元, 2次元, 3次元の非線形流体を含む様々な時間発展PDEを用いて実験を行った。
その結果、新しい手法は、監督点の時点における学習精度を向上し、任意の中間時間にその解を補間できることを示した。
論文 参考訳(メタデータ) (2022-07-28T19:59:14Z) - Weakly-supervised Temporal Path Representation Learning with Contrastive
Curriculum Learning -- Extended Version [35.86394282979721]
時間的情報、例えば出発時刻を含む時間的パス(TP)は、そのようなアプリケーションを可能にするために基本的なものである。
i) 教師付き手法ではトレーニング時に大量のタスク固有のラベルを必要とするため、既存の手法では目標達成に失敗し、得られたTPRを他のタスクに一般化することができない。
本稿では,時間的経路の空間的情報と時間的情報の両方をTPRにエンコードするWakly Supervised Contrastive (WSC)学習モデルを提案する。
論文 参考訳(メタデータ) (2022-03-30T07:36:20Z) - Averaging Spatio-temporal Signals using Optimal Transport and Soft
Alignments [110.79706180350507]
Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。
手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
論文 参考訳(メタデータ) (2022-03-11T09:46:22Z) - Deep Efficient Continuous Manifold Learning for Time Series Modeling [11.876985348588477]
対称正定値行列はコンピュータビジョン、信号処理、医療画像解析において研究されている。
本稿では,リーマン多様体とコレスキー空間の間の微分同相写像を利用する枠組みを提案する。
時系列データの動的モデリングのために,多様体常微分方程式とゲートリカレントニューラルネットワークを体系的に統合した連続多様体学習法を提案する。
論文 参考訳(メタデータ) (2021-12-03T01:38:38Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳(メタデータ) (2021-05-08T03:50:45Z) - Learning Invariant Representations for Reinforcement Learning without
Reconstruction [98.33235415273562]
本研究では,表現学習が画像などのリッチな観察からの強化学習を,ドメイン知識や画素再構成に頼ることなく促進する方法について検討する。
シミュレーションメトリクスは、連続MDPの状態間の振る舞いの類似性を定量化する。
修正された視覚的 MuJoCo タスクを用いてタスク関連情報を無視する手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-06-18T17:59:35Z)
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。