2달 전
조건부 흐름 변분 오토인코더를 이용한 구조화된 시퀀스 예측
Apratim Bhattacharyya; Michael Hanselmann; Mario Fritz; Bernt Schiele; Christoph-Nikolas Straehle

초록
미래 환경 상태와 상호작용하는 에이전트의 예측은 실제 세계에서 자율적으로 작동하기 위해 필요한 핵심 역량입니다. 이전 연구에서는 잠재 변수 모델을 기반으로 구조화된 시퀀스 예측을 수행할 때 잠재 변수에 단일 모드 표준 가우시안 사전 분포를 부과했습니다. 이는 강한 모델 편향을 유발하여 미래 상태 분포의 다중 모드성을 완전히 포착하는 것이 어려워졌습니다. 본 연구에서는 복잡한 다중 모드 조건부 분포를 효과적으로 포착하여 구조화된 시퀀스 예측을 수행하기 위해 새로운 조건부 정규화 흐름 기반 사전 분포를 사용한 조건부 흐름 변분 오토인코더(CF-VAE, Conditional Flow Variational Autoencoders)를 소개합니다. 또한, 안정적인 학습과 후방 사후 확률 붕괴 문제를 해결하기 위한 두 가지 새로운 정규화 방식을 제안합니다. 이러한 정규화 방식은 안정적인 학습과 목표 데이터 분포에 대한 더 나은 적합성을 제공합니다. MNIST 시퀀스, 스탠퍼드 드론, HighD 등 세 개의 다중 모드 구조화된 시퀀스 예측 데이터셋에 대한 실험 결과, 제안된 방법이 다양한 평가 지표에서 최신 수준의 성능을 달성함을 보여주었습니다.