利用感知-预测网络无监督学习潜在物理属性
机器学习
2018-07-27 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出了一种完全从无监督交互中学习物体潜在属性的框架：感知-预测网络(PPN)。PPN 由一个提取物体潜在属性表示的感知模块和一个利用这些提取属性模拟系统动力学的预测模块组成，可以以端到端方式纯粹从物体动力学样本中训练。PPN 学习到的物体潜在属性表示不仅足以准确模拟由先前未见物体组成的系统动力学，还能以完全无监督的方式直接转化为人类可解释的属 性(例如质量、恢复系数)。关键在于，PPN 还能泛化到新颖场景：其基于梯度的训练可应用于许多动力系统，且其基于图的结构可作用于由不同数量物体组成的系统。我们的结果证明了基于图的神经架构在以物体为中心的推断和预测任务中的有效性，并且我们的模型有潜力在尚未被充分理解的系统中发现相关物体属性。
引用
@article{arxiv.1807.09244,
title = {Unsupervised Learning of Latent Physical Properties Using Perception-Prediction Networks},
author = {David Zheng and Vinson Luo and Jiajun Wu and Joshua B. Tenenbaum},
journal= {arXiv preprint arXiv:1807.09244},
year = {2018}
}
备注
UAI 2018 (oral)