Active Acquisition for Multimodal Temporal Data: A Challenging Decision-Making Task

要約

本稿では、マルチモーダル時間データの能動的取得（A2MT）と呼ぶ、困難な意思決定タスクを紹介する。実世界の多くのシナリオでは、入力特徴はテスト時に容易に利用できないため、代わりに大きなコストをかけて取得しなければならない。A2MTでは、入力のどのモダリティを取得するかを能動的に選択するエージェントを学習し、取得コストと予測性能をトレードオフすることを目指す。A2MTは、能動的特徴獲得と呼ばれる以前のタスクを、高次元入力に関する時間的意思決定に拡張したものである。我々はPerceiver IOアーキテクチャに基づき、実際にA2MTに対処する方法を提案する。我々のエージェントは、実際に関連するクロスモーダルな推論スキルを必要とする新しい合成シナリオを解くことができる。Kinetics-700とAudioSetという2つの大規模な実世界データセットにおいて、我々のエージェントはコストに応じた獲得行動の学習に成功した。しかし、アブレーションにより、適応的な獲得戦略を学習することができないことが明らかになり、最先端のモデルでもこのタスクの難しさが強調された。A2MTの応用は、モダリティによって取得コストや情報量が異なる、医療、ロボット工学、金融などの領域にインパクトを与える可能性がある。

要約(オリジナル)

We introduce a challenging decision-making task that we call active acquisition for multimodal temporal data (A2MT). In many real-world scenarios, input features are not readily available at test time and must instead be acquired at significant cost. With A2MT, we aim to learn agents that actively select which modalities of an input to acquire, trading off acquisition cost and predictive performance. A2MT extends a previous task called active feature acquisition to temporal decision making about high-dimensional inputs. We propose a method based on the Perceiver IO architecture to address A2MT in practice. Our agents are able to solve a novel synthetic scenario requiring practically relevant cross-modal reasoning skills. On two large-scale, real-world datasets, Kinetics-700 and AudioSet, our agents successfully learn cost-reactive acquisition behavior. However, an ablation reveals they are unable to learn adaptive acquisition strategies, emphasizing the difficulty of the task even for state-of-the-art models. Applications of A2MT may be impactful in domains like medicine, robotics, or finance, where modalities differ in acquisition cost and informativeness.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL