通过多时间尺度自举学习行为表征
机器学习
2022-06-15 v1
摘要
自然行为由不可预测的、可能突然切换且于多种不同时间尺度上展开的动力学构成。尽管在受约束或简化任务条件下构建行为表征已取得一些成功，但由于假设单一时间尺度动力学，许多模型无法应用于自由自然场景。本工作中，我们提出跨多尺度自举（BAMS），一种面向行为的多尺度表征学习模型：我们结合一个池化模块（聚合由不同时间感受野的编码器提取的特征），并设计一组潜在目标以在各对应空间中自举表征，鼓励不同时间尺度间的解耦。我们首先将方法应用于四足动物在不同地形中导航的数据集，表明模型捕捉了行为的时间复杂性。随后我们将方法应用于 MABe 2022 多智能体行为挑战赛，模型总体排名第 3 并在两个子任务上排名第 1，展示了分析行为时纳入多时间尺度的重要性。
引用
@article{arxiv.2206.07041,
title = {Learning Behavior Representations Through Multi-Timescale Bootstrapping},
author = {Mehdi Azabou and Michael Mendelson and Maks Sorokin and Shantanu Thakoor and Nauman Ahad and Carolina Urzay and Eva L. Dyer},
journal= {arXiv preprint arXiv:2206.07041},
year = {2022}
}