[发明专利]具有条件标准化流的机器可学习系统

权利要求书

1.一种机器可学习系统，所述系统包括

-训练存储装置，其包括训练对的集合，训练对包括条件作用数据（c）和预测目标（x），

-处理器系统，其被配置用于

-编码器函数，其将目标空间（X）中的预测目标（x）映射到潜在空间（Z）中的潜在表示，

-解码器函数，其将潜在空间（Z）中的潜在表示（z）映射到目标空间（X）中的目标表示，

-条件标准化流函数，其以条件作用数据（c）为条件将潜在表示（z）映射到基础空间（E）中的基础点，编码器函数、解码器函数和条件标准化流函数是机器可学习函数，条件标准化流函数是可逆的，处理器系统进一步被配置为

-在训练对的集合上训练编码器函数、解码器函数和条件标准化流，所述训练包括最小化编码器函数和解码器函数的级联的重建损失，并且最小化在基础空间上的概率分布与应用于训练对的集合的编码器和条件标准化流函数的级联之间的差异。

2.如权利要求1中所述的机器可学习系统，其中

-训练对中的条件作用数据（c）包括交通参与者的过去轨迹信息，并且其中预测目标（x）包括交通参与者的未来轨迹信息，或

-训练对中的条件作用数据（c）包括传感器信息，并且其中预测目标（x）包括分类。

3.如权利要求1-2中任一项中所述的机器可学习系统，其中

-基础空间上的概率分布是预定概率分布，或

-基础空间上的概率分布是以条件作用数据（c）为条件的概率分布。

4.如权利要求1-3中任一项中所述的机器可学习系统，其中，编码器函数和解码器函数是非确定性函数，编码器函数和解码器函数被布置成生成概率分布，从所述概率分布来确定函数输出。

5.如权利要求4中所述的机器可学习系统，其中编码器函数和解码器函数中的至少一个被布置成生成均值，通过对具有均值和预定方差的高斯分布进行采样来确定函数输出。

6.如权利要求1-5中任一项中所述的机器可学习系统，其中所述训练包括最大化证据下界（ELBO），证据下界（ELBO）是针对给定条件作用数据（c）的训练目标（x）的条件概率的下界，ELBO被定义为

其中，是概率分布和的库尔贝克-莱布勒（Kullback-Leibler）散度，概率分布由基础分布和条件标准化流定义。

7.如权利要求6中所述的机器可学习系统，其中通过如下计算为的库尔贝克-莱布勒（Kullback-Leibler）散度

其中是条件标准化流，并且是条件标准化流的雅克比。

8.如前述权利要求中任一项中所述的机器可学习系统，其中条件标准化流函数包括多个可逆标准化流子函数的序列，所述多个可逆标准化流子函数的一个或多个参数由神经网络取决于条件作用数据而生成。