克服混合密度网络的限制：一种适用于多模态未来预测的采样和拟合框架

CVPRJun, 2019

克服混合密度网络的限制：一种适用于多模态未来预测的采样和拟合框架

Overcoming Limitations of Mixture Density Networks: A Sampling and Fitting Framework for Multimodal Future Prediction

Osama Makansi, Eddy Ilg, Özgün Cicek, Thomas Brox

TL;DR本文介绍了一种在预测未来时考虑多模态不确定性的方法，该方法使用了赢者通吃损失和迭代分组策略，能够有效避免模式崩溃问题。同时本文讨论了多模态分布的评估方法，包括只有一个样本时的实际应用情景。

Abstract

future prediction is a fundamental principle of intelligence that helps plan actions and avoid possible dangers. As the future is uncertain to a large extent, modeling the uncertainty and multimodality of the future states is of great relevance. Existing approaches are rather limited i

future prediction uncertainty modeling multimodal distribution mode collapse winner-takes-all loss

发现论文，激发创造

在条件随机网络下进行多模式运动预测

本文提出一种基于随机神经网络架构来处理多样性数据分布的方法，并通过实验验证应用于处理物体轨迹、人体关节轨迹和视频预测等问题中，取得了较好的实验效果。

May, 2017

DiverseNet：当一个正确答案不够时

本文介绍了一种简单的方法来训练神经网络，使得每个测试查询时间内能够进行多元化的结构性预测，同时比现有方法具有更好的多样性和速度。在 2D 图像填充，3D 体积估计和流场预测等三个具有挑战性的任务中，我们的方法得到了量化的改进。

Aug, 2020

多源时间序列概率预测中的混合结构学习

本文研究了多源时序下的概率预测问题，提出了一种基于混合结构的神经概率模型用于学习不同的预测关系和它们的自适应组合，并给出了适用于不同目标变量分布的预测和不确定性量化方法，同时提出了分段学习方法，并提供了理论分析和实验评估。

Feb, 2023

多元未来预测

为了预测智能与健壮的复杂动态环境下未来的多个目标路径，该论文提出了基于概率的框架来学习表示语义多模态未来的潜在变量，其中利用动态基于注意力的状态编码器学习编码智能体之间的交互，可被用于车辆轨迹预测。

Nov, 2019

多假设丢弃：多模态输出分布参数估计

通过使用多假设 dropout 和一种新颖的随机分胜负损失函数，本文提出了一个混合多输出函数 (MoM) 方法，该方法不仅估计均值而且估计假设的方差，并在监督学习和无监督学习问题上实验验证了其性能优越性。

Dec, 2023

基于示例指导的视频预测

本研究提出了一个简单而有效的框架，可以通过利用前序训练数据中的潜在分布来预测合理的未来态势。该框架融合了一种新颖的优化方案，并且在量化和定性方面的实验中得到了显著的提高。同时，我们的方法可以与现有的随机预测模型无缝集成，具有预测未见类别运动的潜力。

Jul, 2020

基于 “众多样本中的最佳” 采样目标的序列精确而多样化的采样

针对自动代理在预测未来事件和环境状态时面临的多模态分布挑战，提出了一种基于高斯潜变量模型的 “Best of Many” 样本目标方法，可以更准确地预测未来数据序列，模型在交通场景和天气数据等任务上实验效果表现优于先前研究成果。

Jun, 2018

多领域采样与应用于贝叶斯网络结构推断

提出了一种将后验分布分解为局部模的吸引域，并定义了基于吸引域的表示方法，用于概括概率情况和条件期望。该方法应用于学习蛋白质信号网络，提供了后验分布的详细简介，提高了网络估计的准确性和预测能力。

Oct, 2011

图混合密度网络

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020

一种用于动态多值映射估计及其应用的深度神经网络框架

该论文介绍了一种深度神经网络框架，结合了生成网络和分类组件，旨在建模和估计输入与输出之间的动态多值映射，并提供可靠的不确定性度量。通过使用离散码本和分类器，该框架可生成给定输入的多个解决方案，并通过优化码本和不确定性估计来实现高精度的近似。实验结果表明，该框架在不确定性估计下准确地估计了动态多值映射。

Jun, 2024