論文の概要: baller2vec: A Multi-Entity Transformer For Multi-Agent Spatiotemporal
Modeling
- arxiv url: http://arxiv.org/abs/2102.03291v1
- Date: Fri, 5 Feb 2021 17:02:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-08 12:52:29.853859
- Title: baller2vec: A Multi-Entity Transformer For Multi-Agent Spatiotemporal
Modeling
- Title(参考訳): baller2vec:マルチエージェント時空間モデリングのためのマルチエンティティトランスフォーマ
- Authors: Michael A. Alcorn and Anh Nguyen
- Abstract要約: マルチエージェント・テンポラリ・モデリングは,アルゴリズム設計の観点からも,計算の観点からも難しい課題である。
本稿では,標準トランスフォーマーの多元性一般化である Baller2vec について紹介する。
バスケットボールに関連する2つのタスクを訓練し,マルチエージェント・テンポラル・モデリングにおける Baller2vec の有効性を検証した。
- 参考スコア(独自算出の注目度): 17.352818121007576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-agent spatiotemporal modeling is a challenging task from both an
algorithmic design and computational complexity perspective. Recent work has
explored the efficacy of traditional deep sequential models in this domain, but
these architectures are slow and cumbersome to train, particularly as model
size increases. Further, prior attempts to model interactions between agents
across time have limitations, such as imposing an order on the agents, or
making assumptions about their relationships. In this paper, we introduce
baller2vec, a multi-entity generalization of the standard Transformer that,
with minimal assumptions, can simultaneously and efficiently integrate
information across entities and time. We test the effectiveness of baller2vec
for multi-agent spatiotemporal modeling by training it to perform two different
basketball-related tasks: (1) simultaneously forecasting the trajectories of
all players on the court and (2) forecasting the trajectory of the ball. Not
only does baller2vec learn to perform these tasks well, it also appears to
"understand" the game of basketball, encoding idiosyncratic qualities of
players in its embeddings, and performing basketball-relevant functions with
its attention heads.
- Abstract(参考訳): マルチエージェント時空間モデリングは,アルゴリズム設計と計算複雑性の観点からの課題である。
最近の研究は、この領域における従来のディープシーケンシャルモデルの有効性を探っているが、これらのアーキテクチャは、特にモデルのサイズが大きくなるにつれて、訓練が遅く、扱いにくい。
さらに、エージェント間の相互作用を時間にわたってモデル化する以前の試みには、エージェントに順序を与える、あるいはそれらの関係について仮定するといった制限がある。
本稿では,標準的なトランスフォーマの多面的一般化であるballer2vecについて紹介する。
マルチエージェント時空間モデリングにおけるballer2vecの有効性を,(1)コート上のすべての選手の軌跡の同時予測,(2)ボールの軌跡の予測,の2つの異なるバスケットボール関連の課題を訓練することにより検証した。
Baller2vecは、これらのタスクをうまくこなすことを学ぶだけでなく、バスケットボールの試合を「理解」し、プレイヤーの慣用的な質を埋め込みに符号化し、注意を向けてバスケットボール関連機能を実行するようにも見える。
関連論文リスト
- Ball Trajectory Inference from Multi-Agent Sports Contexts Using Set
Transformer and Hierarchical Bi-LSTM [18.884300680050316]
本稿では,ボールトラッキングに代わる費用対効果として,選手軌道からの球軌道推定フレームワークを提案する。
実験の結果,本モデルでは,自然かつ正確な軌道と,許容可能な球の保持を同時に行うことができることがわかった。
提案するフレームワークの実用的応用には,トラジェクティブ・インプットの欠如,半自動パスアノテーション,マッチブロードキャストのための自動ズームイン,保持可能な性能指標の算出などがある。
論文 参考訳(メタデータ) (2023-06-14T02:19:59Z) - MADiff: Offline Multi-agent Learning with Diffusion Models [82.59166059130702]
拡散モデル(DM)は,最近オフライン強化学習を含む様々なシナリオで大きな成功を収めている。
この問題に対処する新しい生成型マルチエージェント学習フレームワークであるMADiffを提案する。
本実験は,マルチエージェント学習タスクにおけるベースラインアルゴリズムと比較して,MADiffの優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-27T02:14:09Z) - AMT: All-Pairs Multi-Field Transforms for Efficient Frame Interpolation [80.33846577924363]
ビデオフレームギスブのための新しいネットワークアーキテクチャであるAMT(All-Pairs Multi-Field Transforms)を提案する。
まず、すべての画素に対して双方向のボリュームを構築し、予測された両側フローを用いて相関関係を検索する。
第2に、入力フレーム上で逆向きのワープを行うために、一対の更新された粗い流れから細粒度の流れ場の複数のグループを導出する。
論文 参考訳(メタデータ) (2023-04-19T16:18:47Z) - M$^3$ViT: Mixture-of-Experts Vision Transformer for Efficient Multi-task
Learning with Model-Accelerator Co-design [95.41238363769892]
マルチタスク学習(MTL)は、複数の学習タスクを単一のモデルにカプセル化し、それらのタスクを共同でよりよく学習できるようにする。
現在のMTLレギュレータは、1つのタスクだけを実行するためにさえ、ほぼすべてのモデルを起動する必要がある。
効率的なオンデバイスMTLを実現するためのモデル-アクセラレータ共設計フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-26T15:40:24Z) - Joint Spatial-Temporal and Appearance Modeling with Transformer for
Multiple Object Tracking [59.79252390626194]
本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。
提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
論文 参考訳(メタデータ) (2022-05-31T01:19:18Z) - Controllable Dynamic Multi-Task Architectures [92.74372912009127]
本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。
本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
論文 参考訳(メタデータ) (2022-03-28T17:56:40Z) - baller2vec++: A Look-Ahead Multi-Entity Transformer For Modeling
Coordinated Agents [17.352818121007576]
baller2vec++は,協調エージェントを効果的にモデル化するマルチエンティティトランスフォーマである。
Baller2vec++は、シミュレーションされたおもちゃのデータセットで完璧に調整されたエージェントの振る舞いをエミュレートすることを学ぶことができる。
論文 参考訳(メタデータ) (2021-04-24T16:20:47Z) - Player Modeling via Multi-Armed Bandits [6.64975374754221]
マルチアームバンディット(MAB)に基づく新しいプレイヤーモデリング手法を提案する。
本研究では,ユーザ研究におけるデータ生成に先立って,これらのアルゴリズムの評価と微調整を行うアプローチを提案する。
論文 参考訳(メタデータ) (2021-02-10T05:04:45Z) - UPDeT: Universal Multi-agent Reinforcement Learning via Policy
Decoupling with Transformers [108.92194081987967]
タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。
従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。
提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
論文 参考訳(メタデータ) (2021-01-20T07:24:24Z) - A Graph Attention Based Approach for Trajectory Prediction in
Multi-agent Sports Games [4.29972694729078]
本研究では,複数の協調エージェントを持つチームの戦略を学習できる空間-時間軌道予測手法を提案する。
特に,グラフに基づく注意モデルを用いてエージェントの依存性を学習する。
2つの異なるスポーツゲームデータセットに対するアプローチの有効性と有効性を示す。
論文 参考訳(メタデータ) (2020-12-18T21:51:43Z) - Fever Basketball: A Complex, Flexible, and Asynchronized Sports Game
Environment for Multi-agent Reinforcement Learning [38.4742699455284]
バスケットボールの試合をエージェントが訓練する新しい強化学習環境であるFever Basketballゲームを紹介した。
複数の文字、複数の位置、シングルエージェントとマルチエージェントのプレイヤー制御モードをサポートする複雑で困難な環境である。
現実のバスケットボールの試合をより良くシミュレートするために、アクションの実行時間が異なるため、Fever Basketballは新しい非同期環境となる。
論文 参考訳(メタデータ) (2020-12-06T07:51:59Z)
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。