論文の概要: Guiding Video Prediction with Explicit Procedural Knowledge

• arxiv url: http://arxiv.org/abs/2406.18220v1
• Date: Wed, 26 Jun 2024 10:08:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 13:59:06.905443
• Title: Guiding Video Prediction with Explicit Procedural Knowledge
• Title（参考訳）: 明示的な手続き的知識による映像予測の指導
• Authors: Patrick Takenaka, Johannes Maucher, Marco F. Huber,
• Abstract要約: 本稿では,ドメインの手続き的知識をディープラーニングモデルに統合する一般的な方法を提案する。 これは、データ駆動モデル単独の使用よりもパフォーマンスが向上することを示している。
• 参考スコア（独自算出の注目度）: 5.931665251123055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose a general way to integrate procedural knowledge of a domain into deep learning models. We apply it to the case of video prediction, building on top of object-centric deep models and show that this leads to a better performance than using data-driven models alone. We develop an architecture that facilitates latent space disentanglement in order to use the integrated procedural knowledge, and establish a setup that allows the model to learn the procedural interface in the latent space using the downstream task of video prediction. We contrast the performance to a state-of-the-art data-driven approach and show that problems where purely data-driven approaches struggle can be handled by using knowledge about the domain, providing an alternative to simply collecting more data.
• Abstract（参考訳）: 本稿では,ドメインの手続き的知識をディープラーニングモデルに統合する一般的な方法を提案する。 我々は、オブジェクト中心のディープモデルの上に構築されたビデオ予測のケースに適用し、これがデータ駆動モデル単独の使用よりも優れたパフォーマンスをもたらすことを示す。 そこで我々は,映像予測の下流タスクを用いて,潜在空間における手続き的インタフェースを学習するためのセットアップを構築する。 我々は、そのパフォーマンスを最先端のデータ駆動アプローチと対比し、純粋にデータ駆動アプローチが苦労する問題に対して、ドメインに関する知識を使用することで対処できることを示し、より多くのデータを集める代替手段を提供する。

関連論文リスト

• ViPro: Enabling and Controlling Video Prediction for Complex Dynamical Scenarios using Procedural Knowledge [5.931665251123055]
  我々は、最先端のビデオ予測器が複雑な動的設定に苦しむことを示す。 我々のアプローチは、モデルにおけるデータ駆動型アスペクトと専用手続き型知識モジュールとの間の、象徴的な対処可能なインターフェースの学習をもたらす。
  論文  参考訳（メタデータ） (2024-06-26T09:01:35Z)
• Informed Priors for Knowledge Integration in Trajectory Prediction [0.225596179391365]
  本稿では,連続学習に基づく情報機械学習手法を提案する。 これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。 我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2022-11-01T09:37:14Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
  Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。 事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。 我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
  論文  参考訳（メタデータ） (2021-10-26T04:03:45Z)
• End-to-End Hierarchical Relation Extraction for Generic Form Understanding [0.6299766708197884]
  本稿では,エンティティ検出とリンク予測を併用する新しいディープニューラルネットワークを提案する。 本モデルでは,複数段階の意図的U-Netアーキテクチャを拡張し,リンク予測のための部分強度場と部分連想場を拡張した。 本稿では,ノイズの多い文書データセットの形式理解におけるモデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-02T06:51:35Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• A Gated Fusion Network for Dynamic Saliency Prediction [16.701214795454536]
  Gated Fusion Network for dynamic saliency (GFSalNet) GFSalNetはゲート融合機構を介して動的に予測を行うことができる最初のディープサリエンシーモデルです。 さらに,その適応的融合手法により,時間情報をより効果的に活用できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T17:18:37Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Localized active learning of Gaussian process state space models [63.97366815968177]
  多くの共通制御アプリケーションにおいて、優れた性能を達成するためには、グローバルに正確なモデルを必要としない。 本稿では,状態-作用空間の有界部分集合上の正確なモデルを得ることを目的としたガウス過程状態空間モデルに対する能動的学習戦略を提案する。 モデル予測制御を用いることで、探索中に収集した情報を統合し、探索戦略を適応的に改善する。
  論文  参考訳（メタデータ） (2020-05-04T05:35:02Z)

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。