HCNAF：超条件神经自回归流及其在概率占据图预测中的应用
机器学习
2020-04-28 v3 机器人学
机器学习
摘要
我们提出超条件神经自回归流（HCNAF），一种用于对任意复杂条件概率密度函数建模的强大通用分布逼近器。HCNAF 由一个基于神经网络的条件下自回归流（AF）以及一个超网络组成，该超网络能以非自回归方式接收大规模条件并输出 AF 的网络参数。与其他流模型一样，HCNAF 执行精确似然推断。我们在玩具实验与 MNIST 上进行了若干密度估计任务，以展示 HCNAF 的有效性及特性，包括其对未见条件的泛化能力与表达力。最后，我们表明 HCNAF 可扩展至自动驾驶量级的高维复杂预测问题，并在公开自动驾驶数据集中取得最先进的性能。
引用
@article{arxiv.1912.08111,
title = {HCNAF: Hyper-Conditioned Neural Autoregressive Flow and its Application for Probabilistic Occupancy Map Forecasting},
author = {Geunseob Oh and Jean-Sebastien Valois},
journal= {arXiv preprint arXiv:1912.08111},
year = {2020}
}
备注
CVPR 2020