基于潜在几何的 GPDMM 单示例学习
机器学习
2025-06-18 v1
摘要
我们提出了高斯过程动力学混合模型（GPDMM），并展示了其在人类运动数据单示例学习中的实用性。高斯过程动力学模型（GPDM）是一种高斯过程潜在变量模型（GPLVM），其以隐式马尔可夫模型动力学先验进行优化。GPDMM将多个GPDM组合成概率混合专家框架，利用嵌入的几何特征允许将多样化的序列编码到单个潜在空间中，从而实现每个序列类别的分类和生成。GPDMM及我们的混合模型在数据有限且模型可解释性至关重要的场景中尤为有优势，例如在患者特定的医疗应用中如假肢控制。我们对GPDMM在单示例学习中的分类准确率和生成能力进行评估，展示了模型变体，并将其与LSTM、VAE和transformer进行基准测试。
引用
@article{arxiv.2506.14563,
title = {Single-Example Learning in a Mixture of GPDMs with Latent Geometries},
author = {Jesse St. Amand and Leonardo Gizzi and Martin A. Giese},
journal= {arXiv preprint arXiv:2506.14563},
year = {2025}
}
备注
13 pages, 2 figures, 3 tables