用于结构化序列预测的条件流变分自编码器
计算机视觉与模式识别
2020-08-19 v3 机器学习
机器学习
摘要
对环境及交互智能体未来状态的预测是自主智能体在真实世界中成功运行所需的关键能力。基于潜变量模型的结构化序列预测已有工作对潜变量施加了单模态标准高斯先验，这引入了强烈的模型偏置，使得充分捕捉未来状态分布的多模态性变得困难。本工作中，我们引入条件流变分自编码器（CF-VAE），利用我们新颖的基于条件归一化流的先验来捕捉复杂的多模态条件分布，以实现有效的结构化序列预测。此外，我们提出了两种新颖的正则化方案，可稳定训练并解决后验坍缩问题，从而实现稳定训练并更好地拟合目标数据分布。我们在三个多模态结构化序列预测数据集——MNIST Sequences、Stanford Drone 与 HighD——上的实验表明，所提方法在不同评估指标上均取得了当前最优（SOTA）结果。
引用
@article{arxiv.1908.09008,
title = {Conditional Flow Variational Autoencoders for Structured Sequence Prediction},
author = {Apratim Bhattacharyya and Michael Hanselmann and Mario Fritz and Bernt Schiele and Christoph-Nikolas Straehle},
journal= {arXiv preprint arXiv:1908.09008},
year = {2020}
}
备注
To appear at Bayesian Deep Learning and Machine Learning for Autonomous Driving @NeurIPS 2019