摘要
为了使自主代理能够在现实世界中成功运行，预测未来事件和环境状态是一项关键能力。这一问题已被形式化为序列外推问题，即利用一系列观察数据来预测未来的序列。现实场景要求对这种预测的不确定性进行建模，因为随着预测时间范围的延长，不确定性会逐渐增加——尤其是在长时间范围内。尽管在点估计方面已经取得了令人印象深刻的结果，但导致未来序列多模态分布的情景仍然具有挑战性。我们的研究通过高斯潜在变量模型（Gaussian Latent Variable model）解决了这些挑战。我们核心的贡献是一种“最佳多样本”（Best of Many）目标函数，该函数能够生成更准确且更多样化的预测结果，更好地捕捉现实世界序列数据中的真实变化。除了我们对改进模型拟合度的分析之外，我们的模型在三个不同的任务上也表现出优于先前工作的性能，这些任务涵盖了从交通场景到气象数据等多个领域。