論文の概要: Relational State-Space Model for Stochastic Multi-Object Systems

• arxiv url: http://arxiv.org/abs/2001.04050v1
• Date: Mon, 13 Jan 2020 03:45:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 22:40:29.756380
• Title: Relational State-Space Model for Stochastic Multi-Object Systems
• Title（参考訳）: 確率的多対象系の関係状態空間モデル
• Authors: Fan Yang, Ling Chen, Fan Zhou, Yusong Gao, Wei Cao
• Abstract要約: 本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
• 参考スコア（独自算出の注目度）: 24.234120525358456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world dynamical systems often consist of multiple stochastic subsystems that interact with each other. Modeling and forecasting the behavior of such dynamics are generally not easy, due to the inherent hardness in understanding the complicated interactions and evolutions of their constituents. This paper introduces the relational state-space model (R-SSM), a sequential hierarchical latent variable model that makes use of graph neural networks (GNNs) to simulate the joint state transitions of multiple correlated objects. By letting GNNs cooperate with SSM, R-SSM provides a flexible way to incorporate relational information into the modeling of multi-object dynamics. We further suggest augmenting the model with normalizing flows instantiated for vertex-indexed random variables and propose two auxiliary contrastive objectives to facilitate the learning. The utility of R-SSM is empirically evaluated on synthetic and real time-series datasets.
• Abstract（参考訳）: 実世界の力学系は、しばしば互いに相互作用する複数の確率的サブシステムで構成される。 このような力学の振る舞いのモデル化と予測は、複雑な相互作用とそれらの構成要素の進化を理解するのに固有の硬さのため、一般的には容易ではない。 本稿では、グラフニューラルネットワーク(GNN)を用いて複数の相関オブジェクトの結合状態遷移をシミュレートする逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を提案する。 GNNがSSMと協力できるようにすることで、R-SSMはリレーショナル情報を多目的ダイナミクスのモデリングに組み込む柔軟な方法を提供する。 さらに,頂点インデックス付き確率変数をインスタンス化した正規化フローによるモデルの拡張を提案し,学習を容易にするための2つの補助的コントラスト目標を提案する。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。

関連論文リスト

• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• Hidden Parameter Recurrent State Space Models For Changing Dynamics Scenarios [18.08665164701404]
  リカレントステートスペースモデルは、動的が固定され、変化しないと仮定するが、これは現実のシナリオではめったにない。 隠れ再帰状態空間モデル(Hidden Recurrent State Space Models, HiP-RSSMs)は, 低次元の潜伏因子の集合で関連する力学系のファミリーをパラメータ化するフレームワークである。 HiP-RSSMsは、実世界のシステムとシミュレーションの両方において、いくつかの挑戦的なロボットベンチマークにおいて、RSSMsや競合するマルチタスクモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-29T14:54:49Z)
• Decomposed Linear Dynamical Systems (dLDS) for learning the latent components of neural dynamics [6.829711787905569]
  本稿では,時系列データの非定常および非線形の複雑なダイナミクスを表現した新しい分解力学系モデルを提案する。 我々のモデルは辞書学習によって訓練され、最近の結果を利用してスパースベクトルを時間とともに追跡する。 連続時間と離散時間の両方の指導例において、我々のモデルは元のシステムによく近似できることを示した。
  論文  参考訳（メタデータ） (2022-06-07T02:25:38Z)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• Learning Individual Interactions from Population Dynamics with Discrete-Event Simulation Model [9.827590402695341]
  複雑なシステム力学の離散時間シミュレーション表現を学習する可能性について検討する。 この結果から,本アルゴリズムは,意味のあるイベントを持つ複数のフィールドにおいて,複雑なネットワークダイナミクスをデータ効率よくキャプチャできることがわかった。
  論文  参考訳（メタデータ） (2022-05-04T21:33:56Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• MTHetGNN: A Heterogeneous Graph Embedding Framework for Multivariate Time Series Forecasting [4.8274015390665195]
  我々は、異種グラフニューラルネットワーク(MTHetGNN)による多変量時系列予測と呼ばれる新しいエンドツーエンドディープラーニングモデルを提案する。 変数間の複雑な関係を特徴付けるため、MTHetGNNでは、各変数をグラフノードと見なす関係埋め込みモジュールを設計する。 時系列の特徴抽出に時間的埋め込みモジュールを導入し、知覚スケールの異なる畳み込みニューラルネットワーク(CNN)フィルタを含む。
  論文  参考訳（メタデータ） (2020-08-19T18:21:22Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。