条件付きフロー変分オートエンコーダーによる構造化シーケンス予測

将来の環境状態や相互作用するエージェントの予測は、自律型エージェントが現実世界で成功裏に動作するために必要な重要な能力である。従来の構造化シーケンス予測に関する研究では、潜在変数モデルに基づいて単一モードの標準ガウス事前分布を潜在変数に課していた。これにより、強いモデルバイアスが誘導され、将来の状態分布の多様性を完全に捉えることが困難となっていた。本研究では、複雑な多峰性条件付き分布を効果的に捉えるため、新しい条件付き正規化フローに基づく事前分布を使用した条件付きフローバリエーショナルオートエンコーダ（CF-VAE）を提案する。さらに、安定した学習と目標データ分布へのより良い適合のために、ポスタリア崩壊に対処する2つの新しい正則化手法も提案する。MNIST Sequences, Stanford Drone, HighD という3つの多峰性構造化シーケンス予測データセットにおける実験結果から、提案手法が異なる評価指標において最先端の成果を得ていることが示された。注：- "uni-modal standard Gaussian prior" は「単一モードの標準ガウス事前分布」と訳しました。- "posterior collapse" は「ポスタリア崩壊」と訳しました。- "state of art results" は「最先端の成果」と訳しました。