Single-Example Learning in a Mixture of GPDMs with Latent Geometries

要約

ガウスプロセス動的混合モデル（GPDMM）を提示し、人間のモーションデータの単一例学習におけるその有用性を示します。
ガウスプロセス動的モデル（GPDM）は、ガウスプロセス潜在変数モデル（GPLVM）の形式ですが、隠されたマルコフモデルの動的事前で最適化されています。
GPDMMは、確率的混合混合フレームワークで複数のGPDMを組み合わせて、埋め込まれた幾何学的特徴を利用して、単一の潜在空間で多様なシーケンスをエンコードできるようにし、各シーケンスクラスの分類と生成を可能にします。
GPDMSと私たちの混合モデルは、データが制限され、モデルの解釈が不可欠であるシナリオで人間の動きをモデル化するという課題に対処する上で特に有利です。
単一例学習、モデルのバリエーションを紹介し、LSTMS、VAE、および変圧器に対するベンチマークにおける分類精度と生成能力に関するGPDMMを獲得します。

要約(オリジナル)

We present the Gaussian process dynamical mixture model (GPDMM) and show its utility in single-example learning of human motion data. The Gaussian process dynamical model (GPDM) is a form of the Gaussian process latent variable model (GPLVM), but optimized with a hidden Markov model dynamical prior. The GPDMM combines multiple GPDMs in a probabilistic mixture-of-experts framework, utilizing embedded geometric features to allow for diverse sequences to be encoded in a single latent space, enabling the categorization and generation of each sequence class. GPDMs and our mixture model are particularly advantageous in addressing the challenges of modeling human movement in scenarios where data is limited and model interpretability is vital, such as in patient-specific medical applications like prosthesis control. We score the GPDMM on classification accuracy and generative ability in single-example learning, showcase model variations, and benchmark it against LSTMs, VAEs, and transformers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google