Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind12. Februar 2025 · Q005343

Poly-Autoregressive Prediction for Interaction Modeling

deepmind.google · Originalbericht öffnen ↗

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.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →