論文の概要: Exploring Temporal Representation in Neural Processes for Multimodal Action Prediction

• arxiv url: http://arxiv.org/abs/2604.08418v1
• Date: Thu, 09 Apr 2026 16:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:06.020038
• Title: Exploring Temporal Representation in Neural Processes for Multimodal Action Prediction
• Title（参考訳）: マルチモーダル行動予測のためのニューラルプロセスにおける時間表現の探索
• Authors: Marco Gabriele Fedozzi, Yukie Nagai, Francesco Rea, Alessandra Sciutti,
• Abstract要約: 本研究では,コンディショナル・ロボティクス(CNP)の自律行動予測への応用について検討する。 我々は,既存のDMBN(Deep Modality Blending Network)において,MNSにインスパイアされた優れたモデルを見出した。 定性的な定量的評価の後、未知の行動列への一般化の難しさを強調し、時間の内部表現における原因を特定する。
• 参考スコア（独自算出の注目度）: 42.72014627111101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by the human ability to understand and predict others, we study the applicability of Conditional Neural Processes (CNP) to the task of self-supervised multimodal action prediction in robotics. Following recent results regarding the ontogeny of the Mirror Neuron System (MNS), we focus on the preliminary objective of self-actions prediction. We find a good MNS-inspired model in the existing Deep Modality Blending Network (DMBN), able to reconstruct the visuo-motor sensory signal during a partially observed action sequence by leveraging the probabilistic generation of CNP. After a qualitative and quantitative evaluation, we highlight its difficulties in generalizing to unseen action sequences, and identify the cause in its inner representation of time. Therefore, we propose a revised version, termed DMBN-Positional Time Encoding (DMBN-PTE), that facilitates learning a more robust representation of temporal information, and provide preliminary results of its effectiveness in expanding the applicability of the architecture. DMBN-PTE figures as a first step in the development of robotic systems that autonomously learn to forecast actions on longer time scales refining their predictions with incoming observations.
• Abstract（参考訳）: ロボット工学における自己教師型マルチモーダル動作予測の課題に対する条件付きニューラルプロセス(CNP)の適用性について検討した。 ミラーニューロン系(MNS)の発症に関する最近の研究結果に続いて,自己行動予測の予備的目的に焦点を当てた。 我々は,既存のDeep Modality Blending Network (DMBN) において,CNPの確率的生成を利用して,部分的に観察された動作シーケンスにおいて,ビジュオ・モーターの知覚信号を再構成できる優れたMNSモデルを見出した。 定性的かつ定量的な評価の後、その困難さを強調して、目に見えない行動列を一般化し、その時間内表現の原因を特定する。 そこで, DMBN-Positional Time Encoding (DMBN-PTE) と呼ばれる改訂版を提案する。 DMBN-PTEは、より長い時間スケールでの行動予測を自律的に学習するロボットシステムの開発の第一歩である。

関連論文リスト

• Proportional integral derivative booster for neural networks-based time-series prediction: Case of water demand prediction [4.801953936422696]
  PIDに基づく手法は、各時間ステップの予測値に適用され、その値を実値に近づける。 このPIDベースのブースターが、他の周期的時系列予測問題に適用可能であることを証明するために、時間エネルギー消費の多段階予測に使用されるニューラルネットワークモデルの精度を高めるために、本手法を適用した。
  論文  参考訳（メタデータ） (2025-12-06T09:08:05Z)
• Spiking Neural Networks for Temporal Processing: Status Quo and Future Prospects [41.8742357294068]
  スパイキングニューラルネットワーク(SNN)は、その豊富な神経力学とスパース活動パターンのために、データを高い効率で処理する上で優れている。 近年のSNNの発展に伴い,その時間的処理能力を総合的に評価する必要性が高まっている。
  論文  参考訳（メタデータ） (2025-02-13T16:17:57Z)
• Efficient and Effective Time-Series Forecasting with Spiking Neural Networks [47.371024581669516]
  スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。 SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。 本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-02T16:23:50Z)
• Knowledge-Driven Modulation of Neural Networks with Attention Mechanism for Next Activity Prediction [8.552757384215813]
  本稿では、手続き的プロセスモデルを用いて表現された背景知識を利用して、トレーニングデータのアンダーサンプリングをオフセットするシンボリック[Neuro]システムを提案する。 具体的には,NN分野における新たな技術であるアテンション機構を備えたNNを用いた予測を行う。 このシステムは、予測タスクの性能改善を示す複数の実生活ログでテストされている。
  論文  参考訳（メタデータ） (2023-12-14T12:02:35Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。