用于无监督学习的解耦识别与非线性动力学模型
机器学习
2017-10-31 v2 机器学习
摘要
本文朝着动态变化视频中的时间推理迈出了一步，不是在构成其帧的像素空间中，而是在描述其世界中物体非线性动力学的潜在空间中。我们引入了卡尔曼变分自编码器，这是一种用于序列数据无监督学习的框架，它解耦了两种潜在表示：来自识别模型的物体表示，以及描述其动力学的潜在状态。因此，可以想象世界的演化并补全缺失数据，而无需在每一步生成高维帧。该模型在各种模拟物理系统的视频上进行端到端训练，并在生成和缺失数据补全任务中优于竞争方法。
引用
@article{arxiv.1710.05741,
title = {A Disentangled Recognition and Nonlinear Dynamics Model for Unsupervised Learning},
author = {Marco Fraccaro and Simon Kamronn and Ulrich Paquet and Ole Winther},
journal= {arXiv preprint arXiv:1710.05741},
year = {2017}
}
备注
NIPS 2017