論文の概要: Continuous Latent Position Models for Instantaneous Interactions

• arxiv url: http://arxiv.org/abs/2103.17146v1
• Date: Wed, 31 Mar 2021 15:10:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-01 14:24:08.815712
• Title: Continuous Latent Position Models for Instantaneous Interactions
• Title（参考訳）: 瞬時相互作用のための連続潜時位置モデル
• Authors: Riccardo Rastelli and Marco Corneli
• Abstract要約: 一対のエンティティ間の即時相互作用のタイミングと頻度を分析するためのフレームワークを作成します。 瞬時相互作用の例としては、電子メールネットワーク、電話ネットワーク、およびいくつかの一般的な技術および輸送ネットワークがある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We create a framework to analyse the timing and frequency of instantaneous interactions between pairs of entities. This type of interaction data is especially common nowadays, and easily available. Examples of instantaneous interactions include email networks, phone call networks and some common types of technological and transportation networks. Our framework relies on a novel extension of the latent position network model: we assume that the entities are embedded in a latent Euclidean space, and that they move along individual trajectories which are continuous over time. These trajectories are used to characterize the timing and frequency of the pairwise interactions. We discuss an inferential framework where we estimate the individual trajectories from the observed interaction data, and propose applications on artificial and real data.
• Abstract（参考訳）: 一対のエンティティ間の即時相互作用のタイミングと頻度を分析するためのフレームワークを作成します。 このタイプのインタラクションデータは、特に最近は一般的であり、容易に利用できる。 瞬時相互作用の例としては、電子メールネットワーク、電話ネットワーク、およびいくつかの一般的な技術および輸送ネットワークがある。 我々のフレームワークは、潜在位置ネットワークモデルの新たな拡張に依存している: 実体が潜在ユークリッド空間に埋め込まれており、時間とともに連続する個々の軌道に沿って移動すると仮定する。 これらの軌道は、ペアの相互作用のタイミングと頻度を特徴付けるために用いられる。 本稿では,観測された相互作用データから個々の軌跡を推定する推論フレームワークについて論じ,人工的および実データへの応用を提案する。

関連論文リスト

• Machine learning the interaction network in coupled dynamical systems [0.0]
  相互作用する粒子の集合において、相互作用ネットワークは、様々なコンポーネントが相互にどのように相互作用するかに関する情報を含んでいる。 本研究では,対話ネットワークの回復とエージェントのダイナミクスの予測という2つの結果を達成するために,自己教師型ニューラルネットワークモデルを用いる。
  論文  参考訳（メタデータ） (2023-10-05T08:29:00Z)
• Interactive Spatiotemporal Token Attention Network for Skeleton-based General Interactive Action Recognition [8.513434732050749]
  本稿では,空間的,時間的,対話的な関係を同時にモデル化する対話型時空間意識ネットワーク(ISTA-Net)を提案する。 我々のネットワークには対話的時空間トークン(IST)を分割するトークン機構があり、これは複数の多様なエンティティの動作を表現する統一的な方法である。 ISTの3次元に沿って共同学習するために、3次元畳み込みと統合されたマルチヘッド自己認識ブロックは、トークン間の相関を捉えるように設計されている。
  論文  参考訳（メタデータ） (2023-07-14T16:51:25Z)
• Interaction Transformer for Human Reaction Generation [61.22481606720487]
  本稿では,時間的,空間的両方の注意を持つトランスフォーマーネットワークからなる対話型トランスフォーマー(InterFormer)を提案する。 我々の手法は一般的であり、より複雑で長期的な相互作用を生成するのに利用できる。
  論文  参考訳（メタデータ） (2022-07-04T19:30:41Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)
• Hand-Object Interaction Reasoning [33.612083150296364]
  両手インタラクションのモデル化は,エゴ符号化ビデオにおける動作認識に重要であることを示す。 ビデオ中の手と物体の時間的関係をモデル化するためのインタラクション推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-13T11:53:12Z)
• Dynamic Representation Learning with Temporal Point Processes for Higher-Order Interaction Forecasting [8.680676599607123]
  本稿では,これらの問題に対処するためのハイパーエッジ予測のための時間点プロセスモデルを提案する。 私たちの知る限りでは、動的ネットワークのハイパーエッジを予測するために時間点プロセスを使った最初の研究である。
  論文  参考訳（メタデータ） (2021-12-19T14:24:37Z)
• Multi-Relation Aware Temporal Interaction Network Embedding [6.964492092209715]
  時間的相互作用ネットワークの埋め込みは、時間的相互作用ネットワーク内の情報を効果的にマイニングすることができる。 既存の時間的相互作用ネットワークの埋め込み手法は、近隣ノードの履歴的相互作用関係のみを使用する。 MRATE(Multi-relation aware temporal interaction network embedded method)を提案する。
  論文  参考訳（メタデータ） (2021-10-09T08:28:22Z)
• Spatio-Temporal Interaction Graph Parsing Networks for Human-Object Interaction Recognition [55.7731053128204]
  ビデオに基づくヒューマンオブジェクトインタラクションシーンでは、人間とオブジェクトの時間的関係をモデル化することが、ビデオに提示されるコンテキスト情報を理解するための重要な手がかりである。 実効時間関係モデリングでは、各フレームの文脈情報を明らかにするだけでなく、時間間の依存関係を直接キャプチャすることもできる。 外観特徴、空間的位置、意味情報のフル活用は、ビデオベースのヒューマンオブジェクトインタラクション認識性能を改善する鍵でもある。
  論文  参考訳（メタデータ） (2021-08-19T11:57:27Z)
• 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)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。