Konference: Fremskridt inden for neurale informationsbehandlingssystemer
Vi introducerer Kalman-variationen af auto-encoderen, en ramme for uovervåget læring af sekventielle data, der adskiller to latente repræsentationer: en objektrepræsentation, der kommer fra en genkendelsesmodel, og en latent tilstand, der beskriver dens dynamik.
Resultatet er, at man kan forestille sig verdens udvikling og imputere manglende data, begge dele uden behov for at generere højdimensionelle rammer ved hvert tidstrin. Modellen er trænet end-to-end på videoer af forskellige simulerede fysiske systemer og overgår konkurrerende metoder i generative og manglende data-imputeringsopgaver.