論文の概要: Temporal Continual Learning with Prior Compensation for Human Motion Prediction

• arxiv url: http://arxiv.org/abs/2507.04060v1
• Date: Sat, 05 Jul 2025 14:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.997557
• Title: Temporal Continual Learning with Prior Compensation for Human Motion Prediction
• Title（参考訳）: 人間の動作予測のための事前補償による時間的連続学習
• Authors: Jianwei Tang, Jiangxin Sun, Xiaotong Lin, Lifang Zhang, Wei-Shi Zheng, Jian-Fang Hu,
• Abstract要約: HMP(Human Motion Prediction)は、過去の動きの順序に応じて、異なるタイミングで将来のポーズを予測することを目的としている。 従来のアプローチでは、様々なモーメントの予測が等しく扱われており、2つの主要な制限が生じる。 上記の課題に対処するために,TCL(Temporal Continual Learning)と呼ばれる新しい多段階学習フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 32.764096325603994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human Motion Prediction (HMP) aims to predict future poses at different moments according to past motion sequences. Previous approaches have treated the prediction of various moments equally, resulting in two main limitations: the learning of short-term predictions is hindered by the focus on long-term predictions, and the incorporation of prior information from past predictions into subsequent predictions is limited. In this paper, we introduce a novel multi-stage training framework called Temporal Continual Learning (TCL) to address the above challenges. To better preserve prior information, we introduce the Prior Compensation Factor (PCF). We incorporate it into the model training to compensate for the lost prior information. Furthermore, we derive a more reasonable optimization objective through theoretical derivation. It is important to note that our TCL framework can be easily integrated with different HMP backbone models and adapted to various datasets and applications. Extensive experiments on four HMP benchmark datasets demonstrate the effectiveness and flexibility of TCL. The code is available at https://github.com/hyqlat/TCL.
• Abstract（参考訳）: HMP(Human Motion Prediction)は、過去の動きの順序に応じて、異なるタイミングで将来のポーズを予測することを目的としている。 従来のアプローチでは様々なモーメントの予測を等しく扱い、短期予測の学習は長期予測に焦点をあてることによって妨げられ、過去の予測からその後の予測への事前情報の導入は制限される。 本稿では,この課題に対処するため,TCL(Temporal Continual Learning)と呼ばれる新しい多段階学習フレームワークを提案する。 事前情報をよりよく保存するために,PCF(Prefered Compensation Factor)を導入する。 失った事前情報を補うために、モデルトレーニングに組み込む。 さらに、理論的導出によりより合理的な最適化目標を導出する。 我々のTCLフレームワークは、さまざまなHMPバックボーンモデルと容易に統合でき、さまざまなデータセットやアプリケーションに適応できることに注意する必要がある。 4つのHMPベンチマークデータセットに対する大規模な実験は、TCLの有効性と柔軟性を示している。 コードはhttps://github.com/hyqlat/TCLで公開されている。

関連論文リスト

• Can Pre-training Indicators Reliably Predict Fine-tuning Outcomes of LLMs? [32.04523360747506]
  本研究では,501BパラメータLLM変種を用いて,系統的な事前学習構成を持つデータセットを構築した。 本稿では,事前学習から得られた新しい教師なしおよび教師なしのプロキシメトリクスを導入し,相対的な性能予測誤差率を50%以上削減する。
  論文  参考訳（メタデータ） (2025-04-16T21:19:09Z)
• Annealed Winner-Takes-All for Motion Forecasting [48.200282332176094]
  本稿では,AWTAの損失を最先端のモーション予測モデルと統合して性能を向上させる方法を示す。 我々の手法は、WTAを用いて訓練された任意の軌道予測モデルに容易に組み込むことができる。
  論文  参考訳（メタデータ） (2024-09-17T13:26:17Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Examining the Effect of Pre-training on Time Series Classification [21.38211396933795]
  本研究では, プレトレーニング後の微調整が微調整過程に及ぼす影響について検討した。 150の分類データセットを網羅的に検討した。 事前学習は、データに適合しないモデルの最適化プロセスを改善するのにしか役立ちません。 事前学習データを追加することで一般化は向上しないが、元のデータボリュームの事前学習の利点を強化することができる。
  論文  参考訳（メタデータ） (2023-09-11T06:26:57Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• 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)

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。