基于核平滑的条件 COT-GAN 视频预测
机器学习
2022-01-31 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
因果最优传输（COT）源于对经典最优传输问题施加时间因果性约束，这自然生成了路径空间上分布间距离的新概念。COT 理论在序列学习中的首次应用见于 Xu 等人（2020），其中 COT-GAN 作为一种对抗算法被提出，用于训练针对生成序列数据优化的隐式生成模型。基于（Xu 等人，2020），本文的贡献有两点。首先，我们开发了适用于序列预测的条件版 COT-GAN。这意味着现在利用数据集来学习给定序列过去演化观测时其未来演化方式。其次，我们通过采用基于核平滑的经验测度修正（得益于 Pflug 和 Pichler（2016））改进了收敛结果。所得到的核条件 COT-GAN 算法通过视频预测应用加以说明。
引用
@article{arxiv.2106.05658,
title = {Conditional COT-GAN for Video Prediction with Kernel Smoothing},
author = {Tianlin Xu and Beatrice Acciaio},
journal= {arXiv preprint arXiv:2106.05658},
year = {2022}
}