論文の概要: Connections between Relational Event Model and Inverse Reinforcement Learning for Characterizing Group Interaction Sequences

• arxiv url: http://arxiv.org/abs/2010.09810v1
• Date: Mon, 19 Oct 2020 19:40:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 23:19:54.351167
• Title: Connections between Relational Event Model and Inverse Reinforcement Learning for Characterizing Group Interaction Sequences
• Title（参考訳）: グループインタラクションシーケンスの特徴付けのための関係イベントモデルと逆強化学習との関係
• Authors: Congyu Wu
• Abstract要約: 我々は、リレーショナルイベントモデル(REM)と逆強化学習(IRL)の未同定接続について検討する。 REM はそのような問題に対処する従来の手法であるが、IRL の応用は未完成の手法である。 実験により,集団の社会的相互作用を特徴付けるためのIRLの特殊効果を実証した。
• 参考スコア（独自算出の注目度）: 0.18275108630751835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we explore previously unidentified connections between relational event model (REM) from the field of network science and inverse reinforcement learning (IRL) from the field of machine learning with respect to their ability to characterize sequences of directed social interaction events in group settings. REM is a conventional approach to tackle such a problem whereas the application of IRL is a largely unbeaten path. We begin by examining the mathematical components of both REM and IRL and find straightforward analogies between the two methods as well as unique characteristics of the IRL approach. We demonstrate the special utility of IRL in characterizing group social interactions with an empirical experiment, in which we use IRL to infer individual behavioral preferences based on a sequence of directed communication events from a group of virtual-reality game players interacting and cooperating to accomplish a shared goal. Our comparison and experiment introduce fresh perspectives for social behavior analytics and help inspire new research opportunities at the nexus of social network analysis and machine learning.
• Abstract（参考訳）: 本稿では,ネットワーク科学の分野における関係イベントモデル(rem)と,機械学習の分野の逆強化学習(irl)との関係について,グループ設定における有向社会インタラクションイベントのシーケンスを特徴付ける能力について検討する。 REM はそのような問題に対処する従来の手法であるが、IRL の応用は未完成の手法である。 まず、REM と IRL の双方の数学的構成要素を調べ、二つの手法と IRL アプローチの特異な特徴の単純な類似点を求める。 我々は、IRLを用いて、共有目標を達成するために相互作用し協調する仮想現実ゲームプレーヤーのグループからの指示されたコミュニケーションイベントのシーケンスに基づいて、個別の行動選好を推測する経験的な実験と集団の社会的相互作用を特徴づけるIRLの特殊効果を実証する。 比較実験は,ソーシャル行動分析の新しい視点を導入し,ソーシャルネットワーク分析と機械学習の両分野における新たな研究機会の促進に寄与する。

関連論文リスト

• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• Federated Learning of Socially Appropriate Agent Behaviours in Simulated Home Environments [6.284099600214928]
  社会ロボットは日々の生活にますます統合され、彼らの行動が社会的規範と整合することを保証することが不可欠である。 個々のロボットが独自の環境について学ぶことのできるフェデレートラーニング(FL)設定を探求することが重要である。 本稿では,複数ラベルの回帰目標を用いて,異なる戦略を評価する新しいFLベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T12:16:40Z)
• Shall We Team Up: Exploring Spontaneous Cooperation of Competing LLM Agents [18.961470450132637]
  本稿では、エージェントが文脈に深く関与し、明示的な指示なしに適応的な決定を行う自然現象の重要性を強調する。 我々は,3つの競争シナリオにまたがる自発的な協力を探究し,協力の段階的出現をシミュレートした。
  論文  参考訳（メタデータ） (2024-02-19T18:00:53Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• SocialCircle: Learning the Angle-based Social Interaction Representation for Pedestrian Trajectory Prediction [19.075215661355486]
  我々は,ソーシャルインタラクションのコンテキストを継続的に反映する,新しいアングルベースのトレーニング可能なソーシャルインタラクション表現であるSocialCircleを構築した。 提案するSocialCircleの効果を,新たにリリースされたトラジェクトリ予測モデルとともにトレーニングすることで検証する。 実験によると、SocialCircleは予測性能を定量的に改善するだけでなく、質的にも社会的相互作用をシミュレートするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-09T02:59:21Z)
• Flexible social inference facilitates targeted social learning when rewards are not observable [58.762004496858836]
  グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。 社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
  論文  参考訳（メタデータ） (2022-12-01T21:04:03Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning as a Framework for Emergent Behavior [0.0]
  ユーザ定義リレーショナルネットワークを通じて,ソーシャルなインタラクションをMARLセットアップに統合する。 エージェントとエージェントの関係が創発行動の出現に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2022-07-12T23:27:42Z)
• PHASE: PHysically-grounded Abstract Social Events for Machine Social Perception [50.551003004553806]
  私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。 フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。 ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
  論文  参考訳（メタデータ） (2021-03-02T18:44:57Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。