ODE$^2$VAE：基于贝叶斯神经网络的深度生成式二阶常微分方程
机器学习
2019-10-25 v2 机器学习
摘要
我们提出常微分方程变分自编码器（ODEVAE），一种面向高维序列数据的潜变量二阶ODE模型。借助深度生成模型的进展，ODEVAE可同时学习高维轨迹的嵌入并推断任意复杂的连续时间潜动力学。我们的模型显式地将潜空间分解为动量与位置分量并求解二阶ODE系统，这与基于循环神经网络（RNN）的时间序列模型以及近期提出的黑盒ODE技术形成对比。为考虑不确定性，我们提出由深度贝叶斯神经网络参数化的概率潜ODE动力学。我们在动作捕捉、图像旋转与弹跳球数据集上展示了我们的方法。我们在长期运动预测与填补任务中达到了SOTA性能。
引用
@article{arxiv.1905.10994,
title = {ODE$^2$VAE: Deep generative second order ODEs with Bayesian neural networks},
author = {Çağatay Yıldız and Markus Heinonen and Harri Lähdesmäki},
journal= {arXiv preprint arXiv:1905.10994},
year = {2019}
}