新的SPARC方法通过贝叶斯不确定性增强运动预测

研究人员开发了SPARC（Single-Pass Adaptive Risk Calibration），一种新颖的贝叶斯-一致性不确定性层，用于运动预测。该方法通过使用确定性多层感知器骨干网络预测未来运动均值，并使用共轭贝叶斯最后一层生成认知尺度，从而有效地估计不确定性。该尺度应用于图-时间高斯协方差，在保留相关结构的同时，无需蒙特卡洛采样即可纳入特征空间不确定性。SPARC在负对数似然（NLL）和MPJPE+NLL组合标准等指标上，在多个数据集和协议中均表现出卓越的性能，在准确性和校准方面均优于现有基线。 AI

影响 引入了一种更有效、更校准的AI驱动运动预测不确定性估计方法，有望提高实际应用中的可靠性。

排序理由 该集群包含一篇详细介绍运动预测新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• arXiv
• Conformal Bayesian Last Layers
• Gaussian function
• MPJPE
• multilayer perceptron
• National Lacrosse League
• SPARC

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →