Poly-Autoregressive Prediction for Interaction Modeling
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der vorliegende Auszug stellt PAR vor, ein Verfahren, das die Zustände mehrerer interagierender Akteure nutzt, um das künftige Verhalten eines Akteurs vorherzusagen. Laut Abstract übertrifft es mit einem kleinen Transformer autoregressive Vergleichsmodelle bei drei Aufgaben; Messwerte und nähere Angaben zur Versuchsanordnung fehlen im Auszug.
Mittel
Der bereitgestellte Bericht ist nur ein Auszug: Er umfasst das Abstract sowie Autorenschaft und Publikationsort. Vorgestellt wird Poly-Autoregressive Modeling (PAR), ein Verfahren zur Vorhersage des Verhaltens eines Akteurs in Situationen mit mehreren interagierenden Akteuren. Es berücksichtigt die bisherige Zustandsfolge des betrachteten Akteurs und vergangene sowie aktuelle Zustände der anderen. Die Zustände aller Akteure werden als Tokens dargestellt, jeweils bezogen auf einen Akteur und einen Zeitpunkt.
Laut Abstract kann PAR mit wenigen Änderungen an der Datenvorverarbeitung für drei Aufgaben eingesetzt werden: menschliche Handlungen in sozialen Situationen, Fahrzeugtrajektorien autonomer Fahrzeuge und Objektposen bei Hand-Objekt-Interaktionen. Die Autorinnen und Autoren berichten, dass PAR bei allen drei Aufgaben ein autoregressives Modell übertrifft. Dafür verwendeten sie einen kleinen Transformer als Machbarkeitsnachweis. Der Auszug enthält keine Kennzahlen oder näheren Angaben zu Daten, Versuchsaufbau und Vergleichsbedingungen; Stärke und Übertragbarkeit des berichteten Vorteils lassen sich daher daraus nicht einschätzen. Die Arbeit ist dem CVPR 2025 zugeordnet.
Ausführlich lesen
Der bereitgestellte Bericht ist ein Auszug: Er enthält das Abstract sowie Angaben zu Autorinnen und Autoren und zum Publikationsort, aber keine vollständige Darstellung der Studie. Im Abstract wird ein Verfahren namens Poly-Autoregressive Modeling (PAR) für die Vorhersage des Verhaltens einzelner Akteure in Situationen mit mehreren interagierenden Akteuren vorgestellt. Anders als bei autoregressiven Aufgaben wie der Sprachverarbeitung stehen dabei Interaktionen im Mittelpunkt, die sowohl von physikalischen Bedingungen als auch von den jeweiligen inneren Beweggründen geprägt sind.
PAR soll das künftige Verhalten eines betrachteten Akteurs vorhersagen, indem es dessen bisherigen Zustand und die vergangenen sowie aktuellen Zustände anderer beteiligter Akteure berücksichtigt. Das Verfahren bildet die Zustände aller Akteure als Folge von Tokens ab; jedes Token steht für den Zustand eines Akteurs zu einem bestimmten Zeitpunkt. Laut Abstract lässt sich das Modell mit nur geringfügigen Anpassungen der Datenvorverarbeitung auf drei Aufgaben anwenden: die Vorhersage menschlicher Handlungen in sozialen Situationen, die Vorhersage von Fahrzeugtrajektorien für autonomes Fahren und die Vorhersage von Objektposen bei Interaktionen zwischen Hand und Objekt.
Die Autorinnen und Autoren berichten, dass PAR in allen drei Szenarien ein autoregressives Vergleichsverfahren übertrifft. Als Grundlage diente dabei ein kleiner Transformer als Machbarkeitsnachweis. Der Auszug nennt jedoch weder konkrete Messwerte noch Einzelheiten zu Datensätzen, Versuchsaufbau, Vergleichsbedingungen oder statistischer Absicherung. Daher lässt sich aus dem vorliegenden Text nicht beurteilen, wie groß oder allgemein übertragbar der berichtete Vorteil ist. Die Arbeit stammt von Neerja Thakkar, Tara Sadjadpour, Jathushan Rajasegaran, Shiry Ginosar und Jitendra Malik und ist dem CVPR 2025 zugeordnet.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.