RegFlow: 未来预测的概率流回归

Nov, 2020

RegFlow: Probabilistic Flow-based Regression for Future Prediction

Maciej Zięba, Marcin Przewięźlikowski, Marek Śmieja, Jacek Tabor, Tomasz Trzcinski...

TL;DR本文提出了一种弹性且鲁棒的概率框架 RegFlow，采用超网络架构和连续正常化流模型进行训练，无需对未来状态的单峰性或概率分布做出任何限制，成果在多项基准数据集上表现优于竞争方法。

Abstract

Predicting future states or actions of a given system remains a fundamental, yet unsolved challenge of intelligence, especially in the scope of complex and non-deterministic scenarios, such as modeling behavior of humans. Existing approaches provide results under strong assumptions concerning unimodality of future states, or, at best, assuming specific proba

future prediction probabilistic framework hypernetwork architecture continuous normalizing flow model regflow

发现论文，激发创造

VideoFlow: 用于随机视频生成的条件流模型

我们提出了一种基于归一化流的多帧视频预测方法，可以直接优化数据可能性并生成高质量的随机预测，该方法可以实现对于视频生成建模的可行且竞争性的方法。

Mar, 2019

离散残差流用于概率行人行为预测

本研究提出了离散残差流网络（DRF）来预测人类的行为，通过预测和更新空间位置的离散分布来有效地捕捉了未来人类活动的多模态后验，与其他模型相比表现更好。

Oct, 2019

基于粒子流的循环神经网络用于概率时空预测

采用基于粒子流的贝叶斯推理方法，通过状态空间模型实现时间序列预测以及不确定性分析，比当前点预测方法提供更好的不确定性特征与相似的预测准确性。

Jun, 2021

自由形式流动：使任何架构成为标准化流量

我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

Oct, 2023

基于条件正则流的多元概率时间序列预测

本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。

Feb, 2020

通用流程作为可扩展机器人学习的基础支持

提出了一种基于预测流的机器人学习方法，能够实现在现实场景中稳定且高效的技能转移，涵盖了现实环境中的多个目标类别，通过利用大规模数据集实现了可扩展的普适机器人学习。

Jan, 2024

通过条件流对不规则时间序列进行概率预测

利用条件归一化流对不规则采样时间序列进行概率预测，解决了缺失值问题，并且相比先前最佳模型，提供了 4 倍更高的似然度。

Feb, 2024

图形规范化流

本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

May, 2019

SoftFlow：流形概率归一化流框架

本文提出了 SoftFlow，一种用于训练流模型的概率框架，能够更好地捕捉流模型的困难维度，并通过应用于三维点云数据，可以更准确地预测各种形状的分布，达到了流模型生成方面的最佳表现。

Jun, 2020

混合高斯流用于多样化轨迹预测

通过使用基于流的模型将混合高斯先验转换为未来轨迹流形，我们提出了一种具有生成多样轨迹模式能力的模型，使得流模型不再只是寻求预期流形上最可能的轨迹，而是一系列具有明确可解释性的受控流形。

Feb, 2024