Fugu-MT 論文翻訳(概要): Neural Relational Inference with Efficient Message Passing Mechanisms

論文の概要: Neural Relational Inference with Efficient Message Passing Mechanisms

arxiv url: http://arxiv.org/abs/2101.09486v1
Date: Sat, 23 Jan 2021 11:27:31 GMT
ステータス: 処理完了
システム内更新日: 2021-03-20 13:21:34.974206
Title: Neural Relational Inference with Efficient Message Passing Mechanisms
Title（参考訳）: 効率的なメッセージパッシング機構を用いたニューラルリレーショナル推論
Authors: Siyuan Chen and Jiahai Wang and Guoqing Li
Abstract要約: 本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
参考スコア（独自算出の注目度）: 10.329082213561785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Many complex processes can be viewed as dynamical systems of interacting agents. In many cases, only the state sequences of individual agents are observed, while the interacting relations and the dynamical rules are unknown. The neural relational inference (NRI) model adopts graph neural networks that pass messages over a latent graph to jointly learn the relations and the dynamics based on the observed data. However, NRI infers the relations independently and suffers from error accumulation in multi-step prediction at dynamics learning procedure. Besides, relation reconstruction without prior knowledge becomes more difficult in more complex systems. This paper introduces efficient message passing mechanisms to the graph neural networks with structural prior knowledge to address these problems. A relation interaction mechanism is proposed to capture the coexistence of all relations, and a spatio-temporal message passing mechanism is proposed to use historical information to alleviate error accumulation. Additionally, the structural prior knowledge, symmetry as a special case, is introduced for better relation prediction in more complex systems. The experimental results on simulated physics systems show that the proposed method outperforms existing state-of-the-art methods.
Abstract（参考訳）: 多くの複雑なプロセスは相互作用するエージェントの力学系と見なすことができる。多くの場合、個々のエージェントの状態列のみが観察されるが、相互作用する関係と動的規則は未知である。ニューラルリレーショナル推論(NRI)モデルは、潜在グラフにメッセージを渡すグラフニューラルネットワークを採用し、観測データに基づいて関係とダイナミクスを共同で学習する。しかし、NRIは独立して関係を推測し、動的学習過程における多段階予測における誤差蓄積に悩まされる。さらに、より複雑なシステムでは、事前知識のない関係再構築が困難になる。本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。全ての関係の共存を捉えるための関係相互作用機構が提案され、履歴情報を用いてエラーの蓄積を緩和する時空間メッセージパッシング機構が提案されている。さらに、構造的事前知識(特別の場合として対称性)は、より複雑なシステムにおけるより良い関係予測のために導入された。シミュレーション物理システムの実験結果から,提案手法は既存の最先端手法よりも優れていることがわかった。
全文参考訳へのリンク