HVGH: 高次元時系列データの深層圧縮と教師なし分節化

抄録

人は知覚した高次元の時系列情報を意味を持つ単語や単位動作に分節・分類することで認識している．ロボットが単語や動作を柔軟に学習するためにも，このような教師なしで分節・分類する能力は重要であると考えられる．本稿では教師なしで高次元の時系列データから特徴抽出すると同時に，単位系列に分節・分類が可能なHierarchical Dirichlet Processes-Variational Autoencoder-Gaussian Process-Hidden Semi-Markov Model (HVGH)を提案する．HVGHは，HDP-GP-HSMMにVariational Autoencoder（VAE）を導入したモデルであり，VAEとHDP-GP-HSMMのパラメータが相互に影響しあい学習される．VAEにより高次元データを分節化に適した低次元の潜在変数へと圧縮し，その潜在変数の遷移をガウス過程を用いて表現することで，高次元の複雑な時系列データの分節化を可能とする．実験では，様々なモーションキャプチャデータを用いて，提案手法が既存手法よりクラス数の推定精度及び分節・分類の精度が高いことが示す．