論文の概要: Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network

• arxiv url: http://arxiv.org/abs/2107.00894v1
• Date: Fri, 2 Jul 2021 08:20:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 00:05:47.813909
• Title: Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network
• Title（参考訳）: 解釈可能な協調グラフニューラルネットワークによるオンラインマルチエージェント予測
• Authors: Maosen Li, Siheng Chen, Yanning Shen, Genjia Liu, Ivor W. Tsang, Ya Zhang
• Abstract要約: 複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
• 参考スコア（独自算出の注目度）: 65.11999700562869
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper considers predicting future statuses of multiple agents in an online fashion by exploiting dynamic interactions in the system. We propose a novel collaborative prediction unit (CoPU), which aggregates the predictions from multiple collaborative predictors according to a collaborative graph. Each collaborative predictor is trained to predict the status of an agent by considering the impact of another agent. The edge weights of the collaborative graph reflect the importance of each predictor. The collaborative graph is adjusted online by multiplicative update, which can be motivated by minimizing an explicit objective. With this objective, we also conduct regret analysis to indicate that, along with training, our CoPU achieves similar performance with the best individual collaborative predictor in hindsight. This theoretical interpretability distinguishes our method from many other graph networks. To progressively refine predictions, multiple CoPUs are stacked to form a collaborative graph neural network. Extensive experiments are conducted on three tasks: online simulated trajectory prediction, online human motion prediction and online traffic speed prediction, and our methods outperform state-of-the-art works on the three tasks by 28.6%, 17.4% and 21.0% on average, respectively.
• Abstract（参考訳）: 本稿では,システム内の動的相互作用を利用して,複数エージェントの今後の状況を予測する。 本稿では,複数の協調予測器からの予測をコラボレーティブグラフに従って集約するコラボレーティブ予測ユニット(copu)を提案する。 各協調予測器は、他のエージェントの影響を考慮してエージェントの状態を予測するように訓練される。 協調グラフのエッジ重みは、各予測器の重要性を反映している。 協調グラフは、明示的な目的を最小化することで動機づけられる乗法的更新によってオンラインに調整される。 この目的により、我々はまた、トレーニングとともに、CoPUが、後方の最高の協調予測器と同じようなパフォーマンスを達成することを示すために、後悔の分析を行う。 この理論的解釈性は、我々の手法を他の多くのグラフネットワークと区別する。 予測を段階的に洗練するために、複数のCoPUを積み重ねて協調グラフニューラルネットワークを形成する。 オンラインの軌道予測,オンラインの人力予測,オンラインの交通速度予測の3つのタスクにおいて,本手法は平均28.6%,17.4%,21.0%の3タスクにおいて,最先端の作業よりも優れていた。

関連論文リスト

• Human Action Anticipation: A Survey [86.415721659234]
  行動予測に関する文献は、行動予測、活動予測、意図予測、目標予測など、様々なタスクにまたがる。 我々の調査は、この断片化された文献を結びつけることを目的としており、最近の技術革新とモデルトレーニングと評価のための新しい大規模データセットの開発をカバーしています。
  論文  参考訳（メタデータ） (2024-10-17T21:37:40Z)
• Temporal Link Prediction Using Graph Embedding Dynamics [0.0]
  動的ネットワークにおける時間的リンク予測は、複雑な科学的および現実世界の問題を解く可能性から特に関心がある。 時間的リンク予測への伝統的なアプローチは、ネットワークのダイナミックスの集約を統一的な出力として見つけることに集中してきた。 本稿では,ノードをニュートンオブジェクトとして定義し,ネットワークダイナミクスの予測に速度の概念を取り入れることで,時間的リンク予測の新しい視点を提案する。
  論文  参考訳（メタデータ） (2024-01-15T07:35:29Z)
• Best Practices for 2-Body Pose Forecasting [58.661899246497896]
  我々は、人間のポーズ予測の進捗状況を概観し、最善を尽くす一対一の実践を詳細に評価する。 他の1人のプラクティスは2体に移行しないため、提案されているベストプラクティスは階層的なボディモデリングや注目に基づくインタラクションエンコーディングは含まない。 提案した2体ポーズによるベストプラクティス予測では,最新のExPIデータセットのパフォーマンスが21.9%向上した。
  論文  参考訳（メタデータ） (2023-04-12T10:46:23Z)
• Conditional Goal-oriented Trajectory Prediction for Interacting Vehicles with Vectorized Representation [10.190939530193502]
  2つの相互作用エージェントのシーン準拠トラジェクトリを共同生成するための条件目標指向軌道予測(CGTP)フレームワーク。 コンテキストエンコーディング、ゴールインタラクティブ予測、軌道インタラクティブ予測の3つの主要なステージ。 対話エージェント間の協調確率分布をよりよく学習するために,新たな目標対話型損失法を開発した。
  論文  参考訳（メタデータ） (2022-10-19T15:14:46Z)
• GroupNet: Multiscale Hypergraph Neural Networks for Trajectory Prediction with Relational Reasoning [37.64048110462638]
  GroupNetは、ペアワイドとグループワイドの両方のインタラクションをキャプチャする、マルチスケールのハイパーグラフニューラルネットワークである。 CVAEに基づく予測システムと従来の最先端予測システムの両方にGroupNetを適用した。 CVAEに基づく予測システムであるGroupNetは,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-19T09:36:20Z)
• Progressively Generating Better Initial Guesses Towards Next Stages for High-Quality Human Motion Prediction [33.51444435524345]
  提案手法は,予測精度の向上に有効であることを示す。 そこで本研究では,2段階の予測フレームワークを提案し,推定値の計算のみを行うinit-predictionネットワークを提案する。 我々は、このアイデアをさらに拡張し、各ステージが次のステージの初期推定を予測するマルチステージ予測フレームワークを設計する。
  論文  参考訳（メタデータ） (2022-03-30T04:35:53Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)
• PTP: Parallelized Tracking and Prediction with Graph Neural Networks and Diversity Sampling [34.68114553744956]
  多物体追跡(MOT)と軌跡予測は、現代の3次元知覚システムにおいて2つの重要な要素である。 エージェントインタラクションの共有特徴表現を学習するための並列化フレームワークを提案する。 社会的に認識された特徴学習と多様性サンプリングを用いた手法は,3次元MOTにおける新しい最先端性能と軌道予測を実現する。
  論文  参考訳（メタデータ） (2020-03-17T17:53:33Z)

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。