エージェント（例：歩行者の未来の軌道）の多様かつ可能性のある未来の行動を予測する能力は、安全に重要な認識システム（例：自動運転車両）にとって不可欠です。特に、システムが生成する可能性のある未来の行動のセットは、すべての可能な結果に対応するために多様でなければならず、必要な安全対策を講じるためです。最も可能性が高い未来の結果のセットだけを維持することは十分ではありません。なぜなら、そのセットには単一の結果に対する微小な変動しか含まれない可能性があるからです。生成モデル（例：変分オートエンコーダー（VAE））は、未来の軌道分布を学習する強力なツールであることが示されていますが、学習された暗黙的な尤度モデルからランダムに抽出されたサンプルは必ずしも多様ではない——尤度モデルは訓練データ分布から導き出され、サンプルは最もデータが多い主要モードを中心に集中します。本研究では、多様かつ可能性のある未来の軌道セットを生成する多様性サンプリング関数（DSF）を学習することを提案します。DSFは予測コンテキスト特徴量を潜在コードのセットにマッピングし、この潜在コードは生成モデル（例：VAE）によって多様な軌道サンプルのセットにデコードされます。具体的には、多様なサンプルセットを見つけるプロセスはDSFのパラメータ推定として設定されます。DSFのパラメータを学習するために、決定因子過程（DPP）に基づく多様性損失により軌道サンプルの多様性が評価されます。勾配降下法を使用してDSFパラメータに対して最適化を行い、これによりサンプルセットの潜在コードが移動し、最適な多様かつ可能性のある軌道セットを見つけることができます。当方法はDPPを連続空間でアイテム（軌道）のセットを最適化するために適用する新しい手法です。我々は提案手法によって生成される軌道の多様性を低次元2D軌道データと高次元ヒューマンモーションデータで示しました。