چارچوبی تازه برای پیش‌بینی مرحله‌ای حرکت انسان

پیش‌بینی وضعیت آیندهٔ بدن از روی توالی حرکت‌های گذشته، در روش‌های پیشین معمولاً یک مسئلهٔ واحد در نظر گرفته می‌شد؛ رویکردی که به‌گفتهٔ پژوهشگران می‌تواند یادگیری پیش‌بینی‌های نزدیک را زیر تأثیر پیش‌بینی‌های دورتر قرار دهد. مقاله‌ای در arXiv چارچوبی به نام Continual Prior Compensation (CPC) پیشنهاد می‌کند که این کار را مرحله‌به‌مرحله و در قالب چند زیروظیفهٔ زمانی آموزش می‌دهد.

برای کاهش فراموش‌شدن اطلاعات پیشین هنگام آموزش تدریجی، CPC از متغیر تصادفیِ یادگرفتنیِ Prior Compensation Factor استفاده می‌کند تا میزان ازدست‌رفتن دانش قبلی را بسنجد. نسخهٔ توسعه‌یافتهٔ این روش، CPC++، با Fine-Grained Prior Compensation Factor میزان این افت را برای هر زیروظیفه جداگانه برآورد می‌کند.

نویسندگان می‌گویند این چارچوب‌ها را می‌توان با مدل‌های پایهٔ گوناگون پیش‌بینی حرکت انسان ترکیب و برای مجموعه‌داده‌ها و کاربردهای مختلف تطبیق داد. آن‌ها کارایی و انعطاف‌پذیری روش‌ها را در آزمایش‌هایی روی سه مجموعه‌دادهٔ معیار و با چهار مدل PGBIG، siMLPe، MotionMixer و LTD گزارش کرده‌اند.