Feb, 2024

自动编码贝叶斯逆博弈

PDF
TL;DR基于贝叶斯观点和变分自编码器，提出一种解决交互式运动规划中的逆游戏问题的方法，通过构建后验分布来量化未知参数的不确定性，并且在处理连续、多模态分布时具有高效性。在模拟驾驶场景中的广泛评估中表明，该方法成功学习先验和后验目标分布，相比 MLE 基准，提供更准确的目标估计，从而促进更安全、更高效的博弈论运动规划。
interactive motion planninginverse game problemmaximum likelihood estimationbayesian perspectivevariational autoencoder
发现论文，激发创造
  • 面向模型不可知的后验近似以实现快速准确的变分自编码器

    学习变分自动编码器（VAEs）的关键任务是训练生成模型和推理模型，本文提出了一种基于 MAPA 的推理方法，可以高效地估计真实模型的后验分布。初步结果表明，该方法在低维合成数据上能够更好地进行密度估计，并提供了将该方法扩展到高维数据的路线图。

    Mar, 2024

  • 未知环境下的概率逆向强化学习

    我们考虑了在未知的随机马尔可夫环境或游戏中，从代理人的示范学习的问题。我们旨在估计代理人的偏好，以构建同一任务的改进策略。为了做到这一点，我们将已知 MDP 中逆强化学习的概率方法扩展到未知动态或对手的情况。我们通过导出演示者策略和效用的两个简化概率模型来实现这一点，为了易于处理，我们使用了最大后验估计而不是完整的贝叶斯推断。在先验分布相同的情况下，这结果是凸优化问题。我们发现所得到的算法与其他了解动态的逆强化学习方法相比具有很高的竞争力。

    Aug, 2014

  • 学习如何解决贝叶斯反问题：一种分摊变分推断方法

    本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

    May, 2023

  • InVAErt 网络：一个数据驱动的模拟、推断和可辨识性分析框架

    该研究使用生成模型和深度学习来构建基于物理系统的仿真模型，通过引入 inVAErt 网络，利用确定性编码器和解码器来表示正向和逆向解决方案映射，结合归一化流来捕捉系统输出的概率分布，以及变分编码器来学习输入和输出之间的紧凑潜在表示。研究对损失函数中的惩罚系数选择和潜在空间采样策略进行了正式研究，并通过广泛的数值实例验证了该框架，包括简单线性、非线性和周期性映射，动力系统和时空偏微分方程。

    Jul, 2023

  • 对抗变分贝叶斯：统一变分自编码器和生成对抗网络

    介绍了 Adversarial Variational Bayes 技术，可以用于训练具有任意表达力的推理模型的变分自编码器，并将其与生成对抗网络建立起了原则上的联系。

    Jan, 2017

  • 潜在组合游戏设计

    通过使用高斯混合变分自编码器 (GMVAEs) 对深度生成潜在变量模型进行建模，并使用线性组合技术生成可玩游戏。通过监督训练，每个组件能够从一个游戏中编码关卡，使我们能够定义新的、混合的游戏作为这些学习组件的线性组合。结果表明，这种方法可以以所需比例混合输入游戏并生成可玩游戏。

    Jun, 2022

  • 变分自编码器中落后的推断网络和后验崩溃

    本文研究了变分自编码器 (VAE) 在训练时出现的后验崩溃现象。针对训练动态的观察，我们提出了一种极其简单的改进 VAE 的训练方法，避免了之前工作中普遍存在的后验崩溃问题，并取得了比基准模型更优的实验结果。

    Jan, 2019

  • 协同过滤的变分自编码器

    本研究提出一种基于 VAE 的非线性概率模型，用于解决协作过滤问题，相对于现有的线性因子模型，具有更强的建模能力，并使用贝叶斯推断进行参数估计来得到更好的泛化性能。本方法在现有多个数据集上均取得了显著优异的性能表现，并对使用多项式分布作为似然函数进行了比较实验，分析了使用贝叶斯方法的优缺点及适用场景。

    Feb, 2018

  • 运动 VAE 使用的角色控制器

    该篇论文介绍了如何使用基于数据驱动的生成模型，结合深度强化学习算法来实现基于多段运动捕捉数据的真实人体动作生成，并分析了 Motion VAEs 的局限性。

    Mar, 2021

  • 可控游戏层次混合的变分自编码器方法

    本研究使用变分自编码器（VAEs）对游戏关卡进行创意设计，通过训练 VAE 于超级马里奥兄弟和战神等游戏的数据，捕捉潜在空间，然后将这些空间用于生成结合了两种游戏特征的新的关卡片段，并通过潜在空间中的进化搜索进行进一步的优化。与类似的生成模型 Gan 和 VAE-GAN 相比，VAE 的方法在协作关卡设计方面表现出特别的优势。

    Feb, 2020