التنبؤ بالحركة البشرية المتنوعة من خلال عينة جومبل-سوتفت من فضاء مساعد

تهدف التنبؤات المختلفة بالحركة البشرية إلى التنبؤ بعدد من التسلسلات الممكنة للوضعية المستقبلية من خلال تسلسل من الوضعيات الملاحظة. في الطرق السابقة، كانت تُستخدم عادةً الشبكات التوليدية العميقة لتمثيل التوزيع الشرطي للبيانات، ثم يتم عشوائيًا أخذ عينات من النتائج من هذا التوزيع. وعلى الرغم من أن النتائج المختلفة يمكن الحصول عليها، إلا أنها غالبًا ما تكون الأكثر احتمالاً، مما يجعلها غير كافية من حيث التنوّع. أما العمل الحديث، فيتعلم صراحةً عدة أنماط للتوزيع الشرطي باستخدام شبكة محددة، لكنها تقتصر على تغطية عدد ثابت من الأنماط ضمن مدى محدود. في هذا البحث، نقترح استراتيجية عينة جديدة تسمح بالحصول على نتائج متعددة جدًا من توزيع متعدد الأنماط غير متوازن تم تعلمه بواسطة نموذج توليد عميق. تعمل طريقتنا من خلال إنشاء فضاء مساعد، ثم تجعل أخذ العينات العشوائية من هذا الفضاء المساعد مكافئًا لأخذ العينات المتنوعة من التوزيع المستهدف. ونُقدّم بنية شبكة بسيطة ولكن فعّالة تُطبّق هذه الاستراتيجية العينية الجديدة، والتي تدمج طريقة عينة مصفوفة معامل جومبل-سُوفتماكس ودالة خسارة مُحفّزة على التنوّع بشكل جريء. تُظهر التجارب الواسعة أن طريقتنا تُحسّن بشكل ملحوظ كل من تنوع العينات ودقتها مقارنةً بالأساليب السابقة المتطورة في أخذ العينات. يمكن الوصول إلى الكود والنموذج المُدرّب مسبقًا من خلال الرابط التالي: https://github.com/Droliven/diverse_sampling.