Inferring Agents Preferences as Priors for Probabilistic Goal Recognition
Hewlett Packard（惠普公司）；Sapienza University of Rome（罗马大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）
最近的目标识别方法已经利用规划地标以低运行时间成本实现高精度。然而，这些方法缺乏概率解释。此外，虽然目标识别的大多数概率模型假设识别器可以访问表示例如代理的偏好的先验概率，但实际上没有目标识别方法实际上在实践中使用先验，只是假设统一的先验。在本文中，我们提供了一个模型来扩展基于地标的目标识别与概率解释，并允许估计这种先验概率和使用它来计算后验概率后，观察到的代理人的重复相互作用。我们的经验表明，我们的模型不仅可以有效地识别目标，但也成功地推断出正确的先验概率分布代表代理的偏好。
2021-02-23 cs.AI
Goal Recognition over Imperfect Domain Models
Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教会大学）；University of Melbourne（墨尔本大学）
目标识别是通过观察自主智能体或人类在环境中的行为来识别其预期目标的问题。在过去的几年里，大多数现有的方法来目标和计划识别一直忽视了需要处理的不完善的领域模型，正式的环境中，自主智能体的行为。在这篇论文中，我们介绍了不完美领域模型上的目标识别问题，并提出了明确处理两种不同类型的不完美领域模型的解决方案：（1）不完全离散的领域模型，它在动作描述中有可能的，而不是已知的，前提条件和效果;以及（2）近似连续领域模型，其中过渡函数是根据过去的观测值近似的，并且不是良好定义的。我们开发了新的目标识别方法，不完善的域模型，利用和适应现有的识别方法，从文献。这两种类型的不完美域模型的实验和评估表明，我们的新的目标识别方法是准确的，从文献中的基线方法相比，在几个层次的可观察性和不完善。
2020-05-12 cs.AI
Imagination-Augmented Deep Learning for Goal Recognition
PLANIART；Université de Sherbrooke（舍布鲁克大学）
能够推断出我们观察、互动或阅读故事的人的目标是人类智能的标志之一。在当前的目标识别研究中，一个突出的想法是从计划的成本估计来推断代理人的目标的可能性，以实现代理人可能具有的不同目标。不同的方法通过仅依赖于手工制作的符号表示来实现这个想法。然而，它们在现实世界中的应用非常有限，主要是因为提取影响目标导向行为的因素的规则仍然是一项复杂的任务。在本文中，我们介绍了一种新的想法，使用符号规划器来计算计划成本的见解，这增强了深度神经网络的想象能力，从而提高了目标识别精度在真实和合成域相比，符号识别器或深度学习目标识别器单独。
2020-03-20 cs.AI
Temporally Extended Goal Recognition in Fully Observable Non-Deterministic Domain Models
University of Manchester（曼彻斯特大学）；IBM Research AI（IBM研究院人工智能部门）；Sapienza University（罗马第一大学）；York University（约克大学）；University of Aberdeen（阿伯丁大学）；University of Oxford（牛津大学）
针对现有目标识别方法无法处理复杂场景下时间扩展目标的问题，本文提出首个适用于完全可观测非确定性域模型、可识别LTLf和PLTLf类有限轨迹时间扩展目标的方法，经六个域模型验证准确率良好。
2023-06-14 cs.AI
Active Goal Recognition
Khoury College of Computer Sciences（库里计算机科学学院）；Northeastern University（东北大学）
为了与其他系统协调，智能体必须能够确定系统当前正在做什么，并预测它们将来会做什么-计划和目标识别。有许多方法用于计划和目标识别，但它们假设一个被动的观察者，持续监视目标系统。真实世界的领域，其中信息收集有成本（例如，移动摄像机或机器人，或者从另一个任务中占用的时间），通常将需要更主动的观察者。我们建议结合目标识别与其他观察员的任务，以获得\emph{active goal recognition}（AGR）。我们讨论了这个问题，并提供了这个复合问题的一种形式的模型和初步实验结果。正如预期的那样，结果表明，AGR问题中的最佳行为平衡了信息收集与其他行动（例如，任务完成），例如联合和有效地完成所有任务。我们希望，我们的提法打开了大门，广泛的进一步研究这个有趣的和现实的问题。
2019-09-24 cs.AI
Fact Probability Vector Based Goal Recognition
University of Mannheim（曼海姆大学）
本文提出一种基于事实概率向量的目标识别方法，通过将观察事实与预期概率映射到实向量空间计算启发式值，并验证了近似概率方法，在降低计算复杂度的同时提升了识别精度。
2024-08-26 cs.AI
GRAML: Goal Recognition As Metric Learning
Computer Science Department, Bar-Ilan University（巴伊兰大学计算机科学系）；Computer Science Department, Tufts University（塔夫茨大学计算机科学系）
针对现有数据驱动目标识别方法仅支持预定义目标、新目标训练耗时的问题，本文提出GRAML框架，用孪生网络结合RNN将目标识别转化为深度度量学习任务，实现少样本下的新目标快速适配，且在多环境中保持高精度的同时提升了速度与灵活性。
2025-05-20 cs.AI
Planning Landmark Based Goal Recognition Revisited: Does Using Initial State Landmarks Make Sense?
University of Mannheim（曼海姆大学）
本文探讨基于规划地标的目标识别中，使用初始状态地标是否有益，通过实证表明省略初始状态地标可提升目标识别性能。
2023-11-10 cs.AI
Removing Planner Bias in Goal Recognition Through Multi-Plan Dataset Generation
本文提出通过多计划数据集生成减少规划偏见，引入版本覆盖分数度量目标识别器的鲁棒性。
2026-02-16 cs.AI
An LP-Based Approach for Goal Recognition as Planning
Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）；Sapienza University of Rome（罗马大学）
目标识别的目的是识别与Agent的观察行为兼容的候选目标集。在本文中，我们开发了一种基于运算符计数框架的方法，该方法可以有效地计算满足观测结果的解决方案，并使用生成的信息来解决目标识别任务。我们的方法的原因明确的部分和噪声观测：估计前者的不确定性，并满足观测的传感器的不可靠性为后者。我们在一个大型数据集上对我们的方法进行了经验评估，分析了每个组件如何影响解决方案的质量。在一般情况下，我们的方法是优于以前的方法在协议比，准确性和传播。最后，我们的方法铺平了道路，新的研究组合优化，以解决目标识别任务。
2021-06-15 cs.AI
Investigating the Combination of Planning-Based and Data-Driven Methods for Goal Recognition
University of Mannheim（曼海姆大学）
普适的智能辅助系统的一个重要特征是能够动态地适应其用户的当前需求。因此，这类系统必须能够根据对用户行为和环境状态的观察来识别这些目标和需求。在这项工作中，我们研究了两个国家的最先进的，基于规划的计划识别方法在现实世界中的应用。到目前为止，这些方法只在人工环境中与行为完全理性的代理相结合进行评估。我们表明，这种方法有困难时，用于识别人类受试者的目标，因为人类的行为通常是不完全理性的。为了克服这个问题，我们提出了一个扩展到现有的方法，通过一个基于分类的方法训练观察到的行为数据。我们的经验表明，所提出的扩展不仅优于纯粹的基于规划和纯粹的数据驱动的目标识别方法，但也能够识别正确的目标更可靠，特别是当只有少量的观察。这大大提高了智能辅助系统的混合目标识别方法的有用性，因为早期识别目标为系统的支持性反应提供了更多的可能性。
2023-01-13 cs.AI
Human Goal Recognition as Bayesian Inference: Investigating the Impact of Actions, Timing, and Goal Solvability
The University of Melbourne（墨尔本大学）
本研究基于贝叶斯框架探讨动作、时机和目标可解性在人类目标识别中的作用，发现动作最重要但时机与可解性在动作缺乏信息量时亦有影响，并据此开发了比现有算法更贴近人类推断的目标识别模型。
2024-02-16 cs.AI cs.HC
The More the Merrier?! Evaluating the Effect of Landmark Extraction Algorithms on Landmark-Based Goal Recognition
Pontifical Catholic University of Rio Grande do Sul (PUCRS)（南里奥格兰德天主教大学（PUCRS））
最近的方法，目标和计划识别使用经典的规划域已经取得了国家的最先进的结果，在识别时间和准确性方面，通过使用基于规划地标的算法。为了实现这样的快速识别时间，这些方法使用有效的，但不完整的算法来提取规划域和问题的地标的一个子集，在一定的精度为代价。在本文中，我们调查的影响和效果，使用各种地标提取算法能够提取更大比例的地标，为每个给定的规划问题，详尽的地标提取。我们进行了广泛的实证评估时，使用不同百分比的全套地标的各种地标为基础的misticics。结果表明，具有更多的地标并不一定意味着实现更高的准确性和更低的扩散，因为额外提取的地标可能不一定增加有助于目标识别任务。
2020-05-06 cs.AI
Zero-Shot Goal Recognition with Large Language Models
PUCRS Porto Alegre（圣路易斯-波尔图阿legre大学）；King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）；PUCRS（圣路易斯-波尔图阿legre大学）
本文首次系统评估前沿大语言模型在经典PDDL基准上的零样本目标识别能力，发现其表现不均，部分模型随证据增加而提升精度，而另一些模型则依赖世界知识先验。
2026-05-14 cs.AI
Online Goal Recognition using Path Signature and Dynamic Time Warping
Pontifícia Universidade Católica do Rio Grande do Sul（圣保罗天主教大学里约格兰德杜斯乌尔古斯分校）；King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）
本文提出一种基于路径签名和动态时间规整的在线目标识别方法，通过高效编码轨迹和有效比较轨迹，提升预测准确性和在线规划效率。
2026-08-06 cs.AI
Planning as Goal Recognition: Deriving Heuristics from Intention Models -- Extended Version
本文提出基于分歧的目标意图评估框架，推导出高效可计算的启发式方法，并展示其在经典规划问题求解中的改进效果。
2026-03-24 cs.AI
A Probabilistic Framework for Hierarchical Goal Recognition
Monash University（蒙纳士大学）；The University of Melbourne（墨尔本大学）
本文提出基于规划的概率框架，用于层次目标识别，结合层次任务网络结构与概率推理，提升目标识别性能。
2026-04-24 cs.AI cs.SC
Landmark-Based Plan Recognition
Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德州天主教大学）
使用行动执行的不完整证据识别目标和计划可以通过使用规划技术有效地完成。在许多应用中，不仅要准确而且要快速地识别目标和计划。在本文中，我们开发了一种启发式的方法来识别计划的基础上规划技术，依赖于排序约束过滤候选目标的观察。这些排序约束在规划文献中被称为地标，它们是实现目标无法避免的事实或行动。我们展示了规划地标在两种环境中的适用性：第一，我们直接使用它来开发一个基于规划的计划识别方法;第二，我们通过预过滤其候选目标来改进现有的基于规划的计划识别方法。我们的实证评估表明，我们的方法不仅在所有可用数据集中比最先进的方法准确得多，而且速度也快了一个数量级。
2017-02-07 cs.AI
Probabilistic Active Goal Recognition
Monash University（莫纳什大学）
针对多智能体环境中的目标识别问题，提出结合联合信念更新机制与MCTS算法的概率主动目标识别框架，无需领域特定知识即可高效推断隐藏目标，表现优于被动方法且媲美领域特定基线。
2025-08-11 cs.AI cs.SC
Explainable Goal Recognition: A Framework Based on Weight of Evidence
University of Melbourne（墨尔本大学）；Monash University（莫纳什大学）；King Khalid University（哈利德国王大学）
我们介绍和评估eXplainable目标识别（XGR）模型，该模型使用证据权重（WoE）框架来解释目标识别问题。我们的模型提供了以人为本的解释，回答了为什么？为什么不呢问题.我们计算评估我们的系统在八个不同领域的性能。使用人类行为研究来从人类注释者那里获得基本事实，我们进一步表明XGR模型可以成功地生成类似人类的解释。然后，我们报告了一项研究，60名参与者观察代理人玩推箱子游戏，然后接收目标识别输出的解释。通过任务预测、解释满意度和信任度来考察被试对解释的理解。
2023-03-09 cs.AI cs.HC
General Dynamic Goal Recognition using Goal-Conditioned and Meta Reinforcement Learning
Department of Computer Science, Bar Ilan University（巴伊兰大学计算机科学系）；Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
本文提出两种方法，通过目标条件化和元强化学习实现动态环境下的目标识别，提升系统在变化和噪声中的适应能力与识别精度。
2026-01-04 cs.AI cs.RO
Towards Explainable Goal Recognition Using Weight of Evidence (WoE): A Human-Centered Approach
The University of Melbourne（墨尔本大学）；King Khalid University（国王哈立德大学）；Macquarie University（麦考瑞大学）；The University of Queensland（昆士兰大学）；Monash University（莫纳什大学）
本研究提出基于证据权重（WoE）的可解释目标识别（XGR）模型，通过人类中心框架生成“为什么”和“为什么不”解释，在八个基准和三项用户研究中显著提升理解、信任与决策能力。
2024-09-18 cs.AI
Goal Recognition as a Deep Learning Task: the GRNet Approach
University of Huddersfield（哈德斯菲尔德大学）
在自动规划中，从观察的轨迹中识别代理的目标是具有许多应用的重要任务。目标识别的最新方法依赖于规划技术的应用，这需要域动作和初始域状态的模型（例如，在PDDL中）。我们研究了另一种方法，目标识别制定为由机器学习解决的分类任务。我们的方法称为GRNet，主要目的是通过学习如何在给定的域中解决目标识别，使目标识别更准确，更快。给定由一组命题和一组动作名称指定的规划域，域中的目标分类实例由递归神经网络（RNN）求解。RNN的运行处理观察到的动作的跟踪，以计算每个域命题是代理目标的一部分的可能性，对于正在考虑的问题实例。然后，这些预测被聚合以选择候选目标之一。作为训练后的RNN的输入所需的唯一信息是动作标签的踪迹，每个标签仅指示观察到的动作的名称。实验分析证实，\our在目标分类准确性和运行时间方面都取得了良好的性能，从而获得了更好的性能一个国家的最先进的目标识别系统在考虑的基准。
2022-10-25 cs.AI cs.LG
Goal Recognition via Linear Programming
University of Aberdeen（阿伯丁大学）；Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）；University of Manchester（曼彻斯特大学）；Federal University of Rio Grande do Sul（南里奥格兰德联邦大学）
该研究针对目标识别任务，基于Operator-Counting框架提出结合新型IP/LP约束的识别方法，理论证明约束可提供规划代价下界，实验验证其能提升部分及带噪声观测下的目标识别质量，尤其擅长排除不可能的目标。
2024-04-11 cs.AI cs.HC
Goal Recognition using Actor-Critic Optimization
Bar Ilan University（巴伊兰大学）；University of Aberdeen（阿伯丁大学）；Tufts University（塔夫茨大学）
本文提出DRACO，首个基于深度强化学习从非结构化数据学习策略网络进行目标识别的方法，并引入连续策略表示的新度量，在离散和连续场景中均取得领先性能且成本更低。
2024-12-31 cs.AI cs.LG cs.MA
Cost-Based Goal Recognition Meets Deep Learning
Université de Sherbrooke（舍布鲁克大学）
观察他人行为的影响并推断其意图、最可能的目标或行动过程的能力被称为计划或意图识别认知能力，长期以来一直是人工智能的基础研究挑战之一。深度学习最近在各种模式识别问题上取得了重大进展，除了意图识别。虽然自70年代以来被广泛探索，但在各个领域的大多数有趣案例中，从自然语言理解到基于视频馈送的人类行为理解，这个问题仍然没有解决。本文比较了符号逆规划，研究最多的目标识别方法之一，深度学习使用CNN和LTSM神经网络架构，在文献中常用的五个合成基准。结果表明，在这些领域中，深度学习方法比基于符号成本的计划识别器实现了更好的目标预测准确性和及时性。虽然是初步的，但这些结果指出了有趣的未来研究途径。
2019-11-22 cs.AI cs.LG
HAPRec: Hybrid Activity and Plan Recognizer
Pontifical Catholic University of Rio Grande do Sul（南里奥格兰德天主教大学）
基于计算机的助理最近吸引了很大的兴趣，由于其适用于环境辅助生活。这样的助理必须检测和识别由被协助的人执行的高级活动和目标。在这项工作中，我们展示了在室内环境中的活动识别，以确定目标的视频的主题是追求。我们的混合方法结合了动作识别模块和目标识别算法，以确定视频中的主题的最终目标。
2020-04-28 cs.AI
Multi-Agent Goal Recognition with Team- and Goal-Conditioned Reinforcement Learning and Factorized Branch-and-Bound
Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)（里约格兰德杜斯阿伦斯天主教大学）；Universidade do Vale do Rio dos Sinos (Unisinos)（里约斯inos大学）；University of Aberdeen（阿伯丁大学）
提出MAGR-BB方法，利用共享的团队与目标条件策略作为评分模型，结合因子化分支定界搜索，从轨迹中联合推断智能体分组及团队目标，在基准测试中大幅降低假设空间并缩短识别时间。
2026-06-25 cs.AI cs.LG cs.MA
Goal Recognition Design for General Behavioral Agents using Machine Learning
Washington University in Saint Louis（华盛顿大学圣路易斯分校）；Technion – Israel Institute of Technology（技术学院-以色列理工学院）
针对现有目标识别设计方法计算成本高、仅适配最优决策智能体的问题，提出基于机器学习的方法，通过预测最坏情况区分度并结合梯度优化框架优化环境，在降低区分度、提升效率的同时适配复杂场景，且经人类实验验证有效。
2025-10-01 cs.AI cs.LG
Recognizing LTLf/PLTLf Goals in Fully Observable Non-Deterministic Domain Models
York University（约克大学）
目标识别的任务是辨别正确的预期目标，代理旨在实现，给定一组可能的目标，一个领域模型，和一系列的观察作为一个样本的计划正在执行的环境。现有的方法假设，可能的目标是正式的连接在确定性设置。在本文中，我们开发了一种新的方法，能够识别时间上扩展的目标，在完全可观察的非确定性（FOND）规划领域模型，专注于目标的线性时序逻辑（LTLf）和（纯）过去线性时序逻辑（PLTLf）表示的有限轨迹。我们经验评估我们的目标识别方法，使用不同的LTLf和PLTLf的目标超过六个常见的FOND规划领域模型，并表明我们的方法是准确的，以识别时间上扩展的目标在几个层次的可观察性。
2021-03-22 cs.AI
Goal Recognition as Reinforcement Learning
Pontifícia Universidade Católica do Rio Grande do Sul（南里奥格兰德天主教大学）；University of Aberdeen（阿伯丁大学）；Bar Ilan University（巴伊兰大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对现有目标识别方法依赖人工领域设计、实时计算成本高且抗噪性弱的问题，提出结合无模型强化学习的两阶段目标识别框架，其表格Q-learning实例在标准基准上达SOTA，噪声环境下性能更优。
2022-02-13 cs.AI cs.LG
ODGR: Online Dynamic Goal Recognition
Bar-Ilan University（巴伊兰大学）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
本文提出“在线动态目标识别”（ODGR）问题，将动态目标引入标准GR定义，并通过迁移学习在导航领域验证其可行性，为实时环境下的GR方法扩展奠定基础。
2024-07-23 cs.AI cs.LG
GRAIL: Goal Recognition Alignment through Imitation Learning
Department of Computer Science, Bar Ilan University（巴伊兰大学计算机科学系）；Department of Computer Science, Aberdeen University（阿伯丁大学计算机科学系）；Department of Computer Science, Tufts University（塔夫茨大学计算机科学系）
GRAIL通过模仿学习和逆强化学习，从演示轨迹中学习目标导向策略，提高目标识别的准确性和鲁棒性。
2026-02-15 cs.AI cs.LG cs.RO
A Transfer Learning Method for Goal Recognition Exploiting Cross-Domain Spatial Features
PLANIART；Université de Sherbrooke（舍布鲁克大学）
推断他人的意图、预测他们的目标和推断他们的计划的能力是智能代理的关键特征。长期以来，有几种方法研究了符号表征和推理的使用，但成功有限，主要是因为很难明确地捕捉人类决策背后的认知知识。如今的趋势是越来越多地关注直接从数据中推断意图的学习，特别是使用深度学习。我们现在正在观察意图分类在自然语言处理、视觉活动识别和其他领域新兴方法中的有趣应用。本文讨论了一种新的方法结合Few-Shot和迁移学习与跨域功能，学习推断的意图，在物理环境中导航，执行任意长的动作序列，以实现其目标。与深度学习基线方法相比，在合成环境中的实验表明，在从少量样本中学习并推广到看不见的配置方面，性能有所提高。
2019-11-22 cs.AI cs.LG
Data-Driven Goal Recognition in Transhumeral Prostheses Using Process Mining Techniques
The University of Melbourne（墨尔本大学）；RMIT University（皇家墨尔本理工大学）
本研究提出基于过程挖掘的目标识别方法，利用时序肌电与运动传感器数据，在虚拟现实中实现高精度假肢目标识别，优于现有机器学习技术。
2023-09-15 cs.AI cs.CV cs.RO
Online Action Recognition
Universitat Pompeu Fabra（庞培法布拉大学）
规划中的识别试图在给定一组观察和知识库（例如目标状态，计划或域理论）的情况下找到代理意图，目标或活动。在这项工作中，我们介绍了在线动作识别的问题。它包括在承认，在一个开放的世界中，规划行动，最好地解释了部分可观察的状态从一阶ARIPS行动，这是最初的空知识库的过渡。我们将其视为一个优化问题，并提出了两种算法来解决它：动作统一（AU）和在线动作识别通过统一（OARU）。前者建立在逻辑统一的基础上，并使用加权部分MaxSAT将两个输入动作推广。后者在库中寻找解释观察到的转换的动作。如果有这样的动作，它会利用AU来推广它，以这种方式构建AU层次结构。否则，OARU会在库中插入一个简单的接地动作（TGA）来解释这个转换。我们报告的结果基准从国际规划竞赛和PDDLGym，OARU承认行动准确地尊重专家知识，并显示实时性能。
2021-08-03 cs.AI
Improved Inference of Human Intent by Combining Plan Recognition and Language Feedback
Brown University（布朗大学）；Arizona State University（亚利桑那州立大学）
本文提出D4GR框架，通过语言澄清问题和分层任务模型修正机器人对人类计划与目标的信念，在模拟及真实厨房场景中以更少提问提升含噪条件下的识别准确率。
2023-10-03 cs.AI cs.HC cs.RO
Online Dynamic Goal Recognition in Gym Environments
Bar-Ilan University（巴伊兰大学）；Tufts University（塔夫茨大学）
针对目标识别研究中基准与评估不统一的问题，本文推出 gr-libs 与 gr-envs 两个开源框架，提供基线算法、诊断评估工具及兼容 Gym 的动态目标环境。
2025-09-27 cs.AI cs.RO
Heuristics for Planning, Plan Recognition and Parsing
Universitat Pompeu Fabra（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高级研究院）
在最近的一篇论文中，我们已经表明，计划识别的CNOPS可以制定和解决使用经典的规划原理和算法。在这项工作中，我们表明，这一提法纳入了标准的制定计划识别图书馆通过编译库到CNOPS理论。库对应于可以是循环的并且其中AND节点的子节点可以是部分排序的AND/OR图。这些库包括作为特殊情况的上下文无关文法，其中计划识别问题变成了缺少标记的解析问题。在标准库上的规划识别成为任何现代规划者都可以轻松解决的规划问题，而在更复杂的库上的识别，包括上下文无关文法（CFG），说明了当前规划算法的局限性，并提出了可能与其他规划问题相关的改进建议。
2016-05-22 cs.AI
Compressed Inference for Probabilistic Sequential Models
Department of Electrical Engineering（电气工程系）；Mitsubishi Electric Research Laboratories（三菱电机研发实验室）；Princeton University（普林斯顿大学）
隐马尔可夫模型（Hidden Markov Models，简称HMM）和条件随机场（Conditional Random Fields，简称CRF）是两种常用的序列数据建模技术。推理算法设计的CRF和阻碍允许估计的状态序列的意见。在一些应用中，状态序列的估计不是最终目标;相反，目标是计算它的一些函数。在这种情况下，通过传统的推理技术估计状态序列，然后从估计值计算函数映射不一定是最优的。一种更正式的方法是直接从观察结果中推断出最终结果。特别是，我们考虑的具体实例的问题，其目标是找到没有确切的过渡点的状态轨迹，并得出一种新的多项式时间推理算法，优于香草推理技术。我们发现，这个特殊的问题通常出现在许多不同的应用程序，并提出了对其中三个实验：（1）玩具机器人跟踪;（2）单笔字符识别;（3）手写字识别。
2012-02-14 cs.AI
Partial-Order, Partially-Seen Observations of Fluents or Actions for Plan Recognition as Planning
School of Computing（计算学院）；Entertainment Arts and Engineering Program（娱乐艺术与工程系）；University of Utah（犹他大学）
这项工作的目的是通过调整以前的汇编，使计划识别为规划更适合现实世界的情况下，工作与偏序，半看到两个流利的和行动的观察。我们首先要重新定义观测可以是什么，以及满足每一种观测意味着什么。然后，我们提供了一个汇编从计划识别问题的经典规划问题，类似于原来的工作拉米雷斯和格夫纳，但容纳这些更复杂的观察类型。该编译可以适应于其他基于规划的计划识别技术。最后，我们评估这种方法对“忽略复杂性”的策略，使用原始的方法由拉米雷斯和格夫纳。我们的实验结果表明，虽然速度较慢，但我们的方法与基线方法一样或更准确;我们的技术有时会显着减少计划识别问题的解决方案的大小，即最佳目标集的大小。我们讨论了这些发现的背景下，计划识别问题的难度，并提出了一个途径，为今后的工作。
2019-11-14 cs.AI
Automatic Speech Recognition for Greek Medical Dictation
Department of Informatics, Athens University of Economics and Business（阿提卡经济与商业大学信息学院）；Omilia Natural Language Solutions Ltd.（Omilia自然语言解决方案有限公司）；Archimedes/Athena RC（阿基米德/雅典RC）
本文提出结合自动语音识别与文本纠错模型的希腊语医学转录系统，通过领域适配和微调提升术语处理、语言变异应对及转录准确性。
2025-09-28 cs.AI cs.CL
Kaggle Kinship Recognition Challenge: Introduction of Convolution-Free Model to boost conventional
这项工作的目的是探索一个卷积自由基分类器，可以用来扩大传统的集成分类器的变化。具体来说，我们提出了视觉Transformer作为基础分类器，与CNN相结合，在Kaggle亲属识别中提供独特的集成解决方案。在本文中，我们通过在现有的CNN模型之上实现和优化视觉Transformer模型的变体来验证我们提出的想法。组合模型实现了更好的分数比传统的集成分类器仅基于CNN变量。我们证明了Kaggle讨论板上公开的高度优化的CNN集成可以通过简单地集成视觉Transformer模型的变体来轻松实现ROC分数的显着提高，因为相关性低。
2022-06-11 cs.AI cs.CV
An End-to-End, Segmentation-Free, Arabic Handwritten Recognition Model on KHATT
Birzeit University（比尔宰特大学）
提出一种基于KHATT数据库的端到端无分割深度学习模型，结合DCNN、BLSTM和CTC实现阿拉伯手写识别，字符级识别率达84%，为数字化归档等领域提供高效工具。
2024-06-21 cs.AI cs.CV
IntentVLM: Open-Vocabulary Intention Recognition through Forward-Inverse Modeling with Video-Language Models
Institute of Intelligent Systems and Robotics (ISIR)（智能系统与机器人研究所）
本文提出IntentVLM框架，通过前-后向建模提升多模态环境下的人意图识别效果，实验表明其在IntentQA和Inst-IT Bench数据集上达到80%准确率，超越基线30%，接近人类水平。
2026-04-27 cs.AI cs.HC cs.MM
Consistent Training and Decoding For End-to-end Speech Recognition Using Lattice-free MMI
Tencent AI Lab（腾讯人工智能实验室）
最近，端到端（E2 E）框架在各种自动语音识别（ASR）任务上取得了显著的成果。然而，无格最大互信息（LF-MMI），作为一个区别性的训练标准，表现出优越的性能在混合ASR系统，很少被采用在E2 E ASR框架。在这项工作中，我们提出了一种新的方法，将LF-MMI标准集成到E2 E ASR框架中的训练和解码阶段。所提出的方法在两个最广泛使用的E2 E框架上显示了其有效性，包括基于注意力的编码器-解码器（AED）和神经传感器（NT）。实验表明，LF-MMI标准的引入始终导致各种数据集和不同E2 E ASR框架上的显着性能改进。我们最好的模型在Aishell-1开发/测试集上实现了4.1\% / 4.4\%的竞争性CER;我们还在强基线上实现了Aishell-2和Librisepeech数据集上的显着错误减少。
2021-12-30 cs.AI cs.CL
Building a Massive Corpus for Named Entity Recognition using Free Open Data Sources
PUC-Rio（里约热内卢天主教大学）；TTIC（丰田技术研究所芝加哥分校）
随着机器学习的最新进展，在深度学习等技术的推动下，一旦有足够大的数据集可用于训练，许多任务就可以成功解决。尽管如此，人工标注的数据集通常生产成本很高，特别是当标签是细粒度的时，例如命名实体识别（NER），这是一项在单词级别上使用标签的任务。在本文中，我们提出了一种方法来自动生成标记数据集NER从公共数据源，利用链接和结构化数据从DBpedia和维基百科。由于这些数据源的规模庞大，因此生成的数据集（SENSOR可在https://sesame-pt.github.io上获得）由数百万个标记的句子组成。我们详细介绍了生成数据集的方法，报告相关统计数据，并使用神经网络设计基线，表明我们的数据集有助于构建更好的NER预测器。
2019-08-13 cs.AI cs.CL
Towards Intention Recognition for Robotic Assistants Through Online POMDP Planning
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Institute of Computer Science, University of Osnabrück（奥斯纳布吕克大学计算机科学学院）
针对工业场景中机器人助手需应对干扰、噪声观测等挑战，本文提出基于在线POMDP规划的部分可观测模型实现意图识别，通过交织信息收集与主动任务达成主动目标识别，展示初步实验结果并讨论相关挑战。
2024-11-26 cs.AI cs.RO
SecureSense: Defending Adversarial Attack for Secure Device-Free Human Activity Recognition
Nanyang Technological University（南洋理工大学）；University of California, Berkeley（加州大学伯克利分校）
深度神经网络使精确的无设备人类活动识别成为可能，这具有广泛的应用。深度模型可以从各种传感器中提取鲁棒的特征，即使在数据不足的情况下也能很好地泛化。然而，这些系统可能容易受到输入扰动，即对抗攻击。我们的经验表明，黑盒高斯攻击和现代对抗性白盒攻击都可以使它们的准确性直线下降。本文首先指出这种现象会给无设备传感系统带来严重的安全隐患，然后提出了一种新颖的学习框架SecureSense来防御常见攻击。SecureSense旨在实现一致的预测，无论其输入是否存在攻击，减轻由对抗攻击引起的分布扰动的负面影响。大量的实验表明，我们提出的方法可以显着提高现有深度模型的模型鲁棒性，克服可能的攻击。实验结果验证了该方法在无线人体活动识别和身份识别系统中的有效性。据我们所知，这是第一项研究对抗攻击的工作，并进一步开发了一个新的防御框架，用于移动计算研究中的无线人类活动识别。
2022-12-02 cs.AI cs.CR cs.HC
