In dieser Arbeit stellen wir einen Mechanismus vor, um die Verteilung von Trajektorien zu lernen, indem die Übergangsfunktion f explizit als Element in einem Funktionsraum parametrisiert wird.
Unser Rahmenwerk ermöglicht eine effiziente Synthese neuartiger Trajektorien, bietet aber auch direkt ein praktisches Werkzeug für die Inferenz, d.h. Unsicherheitsschätzung, Likelihood-Auswertungen und die Erkennung von Trajektorien außerhalb der Verteilung.
Wir zeigen anhand von Experimenten, dass unser Ansatz im Vergleich zu herkömmlichen zeitlichen Modellen eine wettbewerbsfähige Leistung bei Vorhersageaufgaben erbringt, während er zusätzlich die oben genannten Fähigkeiten bereits in der Formulierung integriert hat.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Jurijs Nazar... a las arxiv.org 03-19-2024
https://arxiv.org/pdf/2403.11418.pdfConsultas más profundas