Oct, 2023

高阶 DeepTrails：*Trails 的统一方法

PDF
TL;DR分析人类行为在不同环境中具有优势，理解和描述人类行为有助于改进和优化基础设施和用户界面。本文通过使用一阶马尔可夫链捕捉行为的数学特征，提出使用自回归语言模型分析整个序列的方法，以建模高阶序列依赖，解决现有方法中丧失信息和局限性的问题，并在合成和真实数据集上评估了该方法的有效性。
发现论文，激发创造
  • HypTrails：一种基于贝叶斯方法的人类 Web 轨迹比较假说

    本研究提出一个名为 HypTrails 的方法，利用马尔可夫链模型和贝叶斯推理来比较对网页上的人类活动路径的假设，包括网站导航、商业评价和在线音乐播放的路径，用以改善网络结构、预测点击或加强推荐，其中使用的量是信息性的狄利克雷先验。

    Nov, 2014

  • 用疾病轨迹图表示基于结果驱动的高阶依赖关系

    通过将机器学习技术应用于生物医学数据，我们提出了一种方法，能够在图中准确编码给定结果的风险因素组合，并且相较于其他方法，这种网络编码了关于 2 型糖尿病向多种结果的进展更多的信息。

    Dec, 2023

  • 使用深层分层网络生成长期轨迹

    本文利用专家示范解决关于建模长时间轨迹的问题，通过提出一种层次化神经网络结构，能够在高维状态空间中，自动识别长短期目标，进而实现不同于传统方法由单一策略为核心，解决了传统方法在涉及长期行为建模上的局限。作者以模拟篮球运动轨迹的案例为例，通过专业体育分析师的判断得出，相较传统基准方法，作者提出的层次化策略能够生成更为真实的轨迹。

    Jun, 2017

  • 高阶循环神经网络

    本研究提出了一种新型神经网络结构，更好地建模序列数据的长期依赖性，称之为 higher order RNNs，实验结果表明，比常规 RNNs 和 LSTMs 性能都要好，适用于各种序列模型任务。

    Apr, 2016

  • 拥挤空间中基于社交及场景感知的轨迹预测

    基于 LSTM 模型及人际交互、过往观测、周围空间语义等多重因素，预测人在城市场景中的运动方向的方法在测试中证明比传统 LSTM 模型准确，成为开发自动驾驶车辆与社交性机器人必不可少的一步。

    Sep, 2019

  • 借助合成图导航模型增进对 Transformer 中逐步推理的理解

    通过研究一种合成任务中的自回归 Transformer 模型，我们揭示了逐步推理的机制，并发现了在该任务中观察到的几个现象：（i）逐步推理推理间隔；（ii）模型生成中多样性与准确性之间的权衡；（iii）模型输出的简洁偏见；以及（iv）上下文示例中的组合概括和原位偏见。这项工作引入了一个基于合成框架的研究逐步推理，并提供了可奠定对该现象更深入理解基础的机制性假设。

    Feb, 2024

  • 人员轨迹预测中可解释的社会锚点

    本论文提出了一种基于离散选择模型和神经网络的人类轨迹预测方法，可以提高准确性并保持可解释性。

    May, 2021

  • 心理测量中响应动态的马尔可夫链模型

    该研究旨在探讨早期回答如何影响测试、调查和问卷调查中后续答案的锚定作用，介绍了来自量子物理学的非交换可观测物的概念，并倡导利用一阶马尔科夫链模型来捕捉测试和调查回答中的顺序依赖关系，以此推进我们对心理研究中序列数据固有动态的理解，并为测试和问卷调查的纵向分析提供了一个方法学框架。

    Mar, 2024

  • 利用具有空间感知的深度关注模型进行人类轨迹预测

    提出了一种端到端的基于深度学习的模型，该模型使用来自不同导航模式的数据直接学习人类的运动模式，包括一个软关注机制和一种新颖的方法来预测动态轨迹，同时还考虑了场景中的静态物体存在，通过在行人轨迹数据集上的测试结果显示，可以显著优于现有的最新技术水平，也可以自然地扩展到同时处理多个移动模式。

    May, 2017

  • 一个分层式行人行为模型，生成交通模拟中真实的人类行为

    本文提出了一种分层行人行为模型，通过使用行为树生成高层次决策，使用自适应社交力模型由底层运动规划器产生可执行的机动，将完整的实现集成到 GeoScenario Server 中，扩展了其车辆仿真能力，允许模拟涉及车辆和行人的测试场景，以协助自动驾驶车辆的基于场景的测试过程。该模型在两个不同的地点采集的实际数据集上进行了评估，表现出与现实世界行人轨迹高度相似的特性和 98％或更高的决策准确性。

    Jun, 2022