变分贝叶斯滤波的切换线性动力学
本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法,并在逼真的合成环境中进行了实证研究,证明我们能够高准确性地恢复潜在状态动力学,相应地实现高未来预测准确性,并且能够快速适应新环境。
Jun, 2024
使用时间滞后变分自编码器(VDE)对复杂的非线性蛋白质折叠等过程进行降维,并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。
Nov, 2017
使用贝叶斯非参数方法,将层次狄利克雷过程先验应用于两种切换动态模型,学习未知的持续光滑动态模式,同时推断动态依赖性的稀疏集,以学习具有变化状态维数的切换线性动态系统或具有变化自回归顺序的切换 VAR 过程,最终通过舞蹈蜜蜂序列、IBOVESPA 股票指数和机动目标跟踪应用程序展示模型的效用和灵活性
Mar, 2010
通过提出一种主动学习的方法,该方法不断进行轨迹规划,轨迹跟踪和重新估计系统,并展示了该方法以参数速率估计非线性动态系统,类似于标准线性回归的统计速率。
Jun, 2020
该研究提出了一种高效的推理方法,其中关键点是学习一个推理网络,该网络可用作连续潜变量的提案分布,并对离散潜变量进行精确边缘化。通过使用重参数化技巧和随机梯度下降的端到端训练,我们表明这种方法可以成功地将时间序列数据进行分割,包括视频和三维人体姿势,以实现有意义的 “制度”。
Oct, 2019
本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题,同时在潜空间中学习动态先验,并允许自动确定潜在空间的维数,该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。
Jul, 2011
本文提出了一种稳定学习动态系统的方法,该方法采用联合学习动态模型和李雅普诺夫函数的方法,这样学习的系统在整个状态空间内保持稳定,同时它也能够被结合到其他深度生成模型中学习复杂的动态系统,例如视觉纹理。
Jan, 2020
通过将数据分解为由简单动态单元解释的片段并研究这些切换的行为,我们展示了一种新的模型类型 —— 递归式切换线性动态系统,以提供更深入的洞察力,并利用近年来的算法进展在这些模型中使用近似推理使贝叶斯推理变得轻松、快速且可扩展。
Oct, 2016