2달 전

조건부 흐름 변분 오토인코더를 이용한 구조화된 시퀀스 예측

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

조건부 흐름 변분 오토인코더를 이용한 구조화된 시퀀스 예측 | 최신 연구 논문 | HyperAI초신경