論文の概要: MixANT: Observation-dependent Memory Propagation for Stochastic Dense Action Anticipation

• arxiv url: http://arxiv.org/abs/2509.11394v1
• Date: Sun, 14 Sep 2025 19:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.065168
• Title: MixANT: Observation-dependent Memory Propagation for Stochastic Dense Action Anticipation
• Title（参考訳）: MixANT:確率的Dense行動予測のための観測依存性メモリプロパゲーション
• Authors: Syed Talal Wasim, Hamid Suleman, Olga Zatsarynna, Muzammal Naseer, Juergen Gall,
• Abstract要約: ミクタント(MixANT)は、人間の活動の長期的な密集した予測のための新しい建築である。 本研究は,人間の行動を予測するための入力依存型忘れゲート機構の重要性を強調した。
• 参考スコア（独自算出の注目度）: 46.73701108553059
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present MixANT, a novel architecture for stochastic long-term dense anticipation of human activities. While recent State Space Models (SSMs) like Mamba have shown promise through input-dependent selectivity on three key parameters, the critical forget-gate ($\textbf{A}$ matrix) controlling temporal memory remains static. We address this limitation by introducing a mixture of experts approach that dynamically selects contextually relevant $\textbf{A}$ matrices based on input features, enhancing representational capacity without sacrificing computational efficiency. Extensive experiments on the 50Salads, Breakfast, and Assembly101 datasets demonstrate that MixANT consistently outperforms state-of-the-art methods across all evaluation settings. Our results highlight the importance of input-dependent forget-gate mechanisms for reliable prediction of human behavior in diverse real-world scenarios.
• Abstract（参考訳）: ミクタン(MixANT)は、人間の活動に対する確率的長期密集予測のための新しいアーキテクチャである。 Mambaのような最近のステートスペースモデル(SSM)は、3つの重要なパラメータに対して入力依存の選択性を通じて約束を示しているが、時間記憶を制御する重要なDeak-gate(\textbf{A}$ matrix)は静的のままである。 この制限には、入力特徴に基づいて文脈的に関係のある$\textbf{A}$行列を動的に選択し、計算効率を犠牲にすることなく表現能力を向上させる専門家のアプローチが混在している。 50Salads、Breakfast、Ambly101データセットに関する大規模な実験は、MixANTがすべての評価設定で最新メソッドを一貫して上回っていることを示している。 本研究は,実世界の多様なシナリオにおいて,人間の行動の信頼度を予測するための入力依存型忘れゲート機構の重要性を強調した。

関連論文リスト

• Advanced Hybrid Transformer LSTM Technique with Attention and TS Mixer for Drilling Rate of Penetration Prediction [0.9282594860064428]
  本研究では、入力データをカスタマイズしたLong Short-Term Memory Networkを通じて最初に処理するハイブリッドディープラーニングアーキテクチャを提案する。 結果として得られる機能は、ドリルング固有の位置エンコーディングとリアルタイム最適化を備えた拡張トランスフォーマーによって洗練される。 実世界の掘削データセットの評価は、ベンチマークリードのパフォーマンスを示し、Rsqaureは0.9988、MAPEは1.447%である。
  論文  参考訳（メタデータ） (2025-08-07T09:45:56Z)
• SMARTe: Slot-based Method for Accountable Relational Triple extraction [1.2200609701777907]
  三重抽出(RTE)は自然言語処理(NLP)の基本課題である 本稿では,Slot-based Method Account for intrinsic Triple extractを提案する。 解釈可能性を強調する一方で、SMARTeは同等の最先端モデルを実現する。
  論文  参考訳（メタデータ） (2025-04-17T10:21:15Z)
• Harnessing Mixed Features for Imbalance Data Oversampling: Application to Bank Customers Scoring [5.091061468748012]
  MGS-GRFは複合機能用に設計されたオーバーサンプリング戦略である。 その結果,MGS-GRFはコヒーレンス(コヒーレンス),すなわち,原データセットにすでに存在する分類的特徴の組み合わせのみを生成できる能力,すなわち連続的特徴と分類的特徴との依存性を維持できる能力の2つの重要な特性を示すことがわかった。
  論文  参考訳（メタデータ） (2025-03-26T08:53:40Z)
• Breaking Determinism: Fuzzy Modeling of Sequential Recommendation Using Discrete State Space Diffusion Model [66.91323540178739]
  シークエンシャルレコメンデーション(SR)は、ユーザーが過去の行動に基づいて興味を持つかもしれない項目を予測することを目的としている。 我々はSRを新しい情報理論の観点から再検討し、逐次モデリング手法がユーザの行動のランダム性と予測不可能性を適切に把握できないことを発見した。 ファジィ情報処理理論に触発された本論文では,制限を克服し,ユーザの関心事の進化をよりよく捉えるために,ファジィなインタラクションシーケンスの組を導入する。
  論文  参考訳（メタデータ） (2024-10-31T14:52:01Z)
• Remembering What Is Important: A Factorised Multi-Head Retrieval and Auxiliary Memory Stabilisation Scheme for Human Motion Prediction [41.34294145237618]
  本稿では、歴史的知識のモデリングを改善するために、革新的な補助メモリ駆動のディープニューラルネットワークフレームワークを提案する。 我々は、観察されたポーズシーケンスから、主観的、タスク固有、その他の補助情報を切り離し、これらの分解された特徴を利用してメモリを問い合わせる。 2つの新たな損失関数を導入し、メモリ内容の安定性を確保しつつ補助記憶内の多様性を促進する。
  論文  参考訳（メタデータ） (2023-05-19T02:44:58Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)

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。