Hierarchical multiple output gaussian processes for human motion data

Diferentes aplicaciones estadísticas implican el uso de diferentes parámetros y observaciones que en muchos casos están relacionadas de alguna manera dependiendo de la estructura del problema. Usualmente, estos parametros son usados como variables que codifican cierta información relacionada con las observaciones, además, ya estos parametros no son observables ni tampoco pueden ser medidos directamente, son inferidos de los datos observados gracias a las correlaciones dadas entre los mismos. De esa manera, se vuelve natural el modelar el fenómeno por medio de una estructura jerárquica en donde las variables observadas esten condicionadas a los parámetros, y a su vez estos parámetros condicionados a hiperparámetros, etc. Este tipo de modelos son relevantes en el sentido de que sirven cómo buenas aproximaciones al comportamiento de los datos. En el caso de regresión, modelos no paramétricos cómo los procesos Gausianos han sido propuestos también con algún tipo de estructura jerárquica, la cuál depende del problema a ser estudiado. Diferentes modelos jerárquicos han sido propuestos. Recientemente un novedoso método jerárquico para procesos Gausianos fue propuesto, en dicho modelo, se asumen que existen diferentes señales observadas que están relacionadas por una tendencia común a todas estas observaciones, la cuál puede ser predecida. Así, las señales observadas pueden ser vistas como versiones corruptas de esa tendencia común. Sin embargo, este tipo de modelos solo ha sido desarrollado para modelos de una sola salida, de esa manera se vuelve interesante explorar una extensión de este modelo a multiples salidas. Por tal motivo, en este trabajo se presenta una extension de un Proceso Gausiano jerÃarquico a multiples salidas, usando funciones de covarianza existentes con el objetivo de hacer interpolación y síntesis de movimiento humano. El modelo fue probado con datos tanto artificiales cómo reales, los resultados muestran que el modelo es exitoso interpolando y sintetizando movimiento humano en comparación a un modelo de procesos Gausianos de multiples salidas simple el cuál se usa en este trabajo como referencia