SyMetric：从视觉推断的习得哈密顿动力学质量度量
机器学习
2021-11-12 v1 机器学习
摘要
近期提出的一类模型尝试利用哈密顿力学启发的先验，从高维观测(如图像)中学习潜在动力学。尽管这些模型在机器人或自动驾驶等领域有重要潜在应用，目前却无良好方法评估其性能：现有方法主要依赖图像重建质量，而这并不总是反映习得潜在动力学的质量。本工作中，我们实证凸显了现有度量的问题，并开发了一组新度量，包括一个指示底层哈密顿动力学是否被忠实捕获的二值指标，我们称之为辛度量(Symplecticity Metric)或SyMetric。我们的度量利用了哈密顿动力学的已知性质，比重建误差更能判别模型捕获底层动力学的能力。利用SyMetric，我们确定了一组显著提升先前提出的从像素推断潜在动力学模型——哈密顿生成网络(HGN)性能的架构选择。与原始HGN不同，新的HGN++能够在某些数据集上发现具有物理意义潜在变量的可解释相空间。此外，其在13个多样化数据集上的长时间展开显著更稳定，在部分数据集上可生成时间上向前与向后本质无限长度的展开且质量无退化。
引用
@article{arxiv.2111.05986,
title = {SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred from Vision},
author = {Irina Higgins and Peter Wirnsberger and Andrew Jaegle and Aleksandar Botev},
journal= {arXiv preprint arXiv:2111.05986},
year = {2021}
}