論文の概要: Policy learning with partial observation and mechanical constraints for multi-person modeling

• arxiv url: http://arxiv.org/abs/2007.03155v1
• Date: Tue, 7 Jul 2020 01:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 19:17:22.679868
• Title: Policy learning with partial observation and mechanical constraints for multi-person modeling
• Title（参考訳）: 多人数モデリングのための部分的観測と機械的制約によるポリシー学習
• Authors: Keisuke Fujii, Naoya Takeishi, Yoshinobu Kawahara, Kazuya Takeda
• Abstract要約: 本稿では,部分的な観察と機械的制約を伴う逐次生成モデルを提案する。 我々はこれを分散マルチエージェント模倣学習問題として定式化する。 バスケットボールとサッカーの試合における実世界多人数動作データセットを用いた経験的パフォーマンスについて検討した。
• 参考スコア（独自算出の注目度）: 20.966652429464595
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Extracting the rules of real-world biological multi-agent behaviors is a current challenge in various scientific and engineering fields. Biological agents generally have limited observation and mechanical constraints; however, most of the conventional data-driven models ignore such assumptions, resulting in lack of biological plausibility and model interpretability for behavioral analyses in biological and cognitive science. Here we propose sequential generative models with partial observation and mechanical constraints, which can visualize whose information the agents utilize and can generate biologically plausible actions. We formulate this as a decentralized multi-agent imitation learning problem, leveraging binary partial observation models with a Gumbel-Softmax reparameterization and policy models based on hierarchical variational recurrent neural networks with physical and biomechanical constraints. We investigate the empirical performances using real-world multi-person motion datasets from basketball and soccer games.
• Abstract（参考訳）: 実世界の生物学的マルチエージェント行動の規則の抽出は、様々な科学・工学分野における現在の課題である。 生物学的エージェントは一般に観察と機械的制約に制限があるが、従来のデータ駆動モデルはそのような仮定を無視し、生物学的な妥当性が欠如し、生物学的および認知科学における行動分析のモデル解釈可能性が欠如している。 本稿では, エージェントがどの情報を利用するのかを可視化し, 生物学的に妥当な動作を生成できる連続生成モデルを提案する。 これを分散マルチエージェント模倣学習問題として定式化し、ガムベル・ソフトマックス再パラメータ化による二元部分観測モデルと、物理的および生体力学的制約を伴う階層的変動リカレントニューラルネットワークに基づく政策モデルを活用する。 バスケットボールやサッカーの試合における実世界のマルチパーソンモーションデータセットを用いた経験的パフォーマンスについて検討する。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
  DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。 我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
  論文  参考訳（メタデータ） (2024-10-01T19:02:06Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Learning interaction rules from multi-animal trajectories via augmented behavioral models [8.747278400158718]
  グランガー因果関係は観測された時系列データから相互作用を分析するための実践的なフレームワークである。 この枠組みは動物行動における生成過程の構造を無視している。 マルチアニマル軌道からグラガー因果関係を学習するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-07-12T11:33:56Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• The Role of Isomorphism Classes in Multi-Relational Datasets [6.419762264544509]
  アイソモーフィックリークは,マルチリレーショナル推論の性能を過大評価することを示す。 モデル評価のためのアイソモーフィック・アウェア・シンセサイティング・ベンチマークを提案する。 また、同型類は単純な優先順位付けスキームによって利用することができることを示した。
  論文  参考訳（メタデータ） (2020-09-30T12:15:24Z)
• Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
  我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。 結果は、近似モデルのパワーを示す数値的な例で示される。
  論文  参考訳（メタデータ） (2020-06-25T16:51:17Z)

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。