論文の概要: Learning Distilled Collaboration Graph for Multi-Agent Perception
- arxiv url: http://arxiv.org/abs/2111.00643v1
- Date: Mon, 1 Nov 2021 01:13:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 16:53:23.093462
- Title: Learning Distilled Collaboration Graph for Multi-Agent Perception
- Title(参考訳): マルチエージェント知覚のための蒸留コラボレーショングラフの学習
- Authors: Yiming Li, Shunli Ren, Pengxiang Wu, Siheng Chen, Chen Feng, Wenjun
Zhang
- Abstract要約: 本稿では, エージェント間の学習, ポーズ・アウェア, 適応的なコラボレーションをモデル化するための新しいコラボグラフ(DiscoGraph)を提案する。
提案手法は,大規模マルチエージェント認識データセットであるV2X-Sim 1.0で検証される。
- 参考スコア(独自算出の注目度): 32.19007908261323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To promote better performance-bandwidth trade-off for multi-agent perception,
we propose a novel distilled collaboration graph (DiscoGraph) to model
trainable, pose-aware, and adaptive collaboration among agents. Our key
novelties lie in two aspects. First, we propose a teacher-student framework to
train DiscoGraph via knowledge distillation. The teacher model employs an early
collaboration with holistic-view inputs; the student model is based on
intermediate collaboration with single-view inputs. Our framework trains
DiscoGraph by constraining post-collaboration feature maps in the student model
to match the correspondences in the teacher model. Second, we propose a
matrix-valued edge weight in DiscoGraph. In such a matrix, each element
reflects the inter-agent attention at a specific spatial region, allowing an
agent to adaptively highlight the informative regions. During inference, we
only need to use the student model named as the distilled collaboration network
(DiscoNet). Attributed to the teacher-student framework, multiple agents with
the shared DiscoNet could collaboratively approach the performance of a
hypothetical teacher model with a holistic view. Our approach is validated on
V2X-Sim 1.0, a large-scale multi-agent perception dataset that we synthesized
using CARLA and SUMO co-simulation. Our quantitative and qualitative
experiments in multi-agent 3D object detection show that DiscoNet could not
only achieve a better performance-bandwidth trade-off than the state-of-the-art
collaborative perception methods, but also bring more straightforward design
rationale. Our code is available on https://github.com/ai4ce/DiscoNet.
- Abstract(参考訳): マルチエージェント知覚のためのパフォーマンス・バンド幅トレードオフを改善するために,訓練可能,ポーズ認識,エージェント間の適応協調をモデル化する新しい蒸留コラボレーショングラフ(ディスクグラフ)を提案する。
私たちの重要な斬新さは2つの側面にある。
まず,知識蒸留によるDiscoGraphの学習を行う教師支援フレームワークを提案する。
教師モデルは、全体視点入力と早期に協調し、生徒モデルは、単視点入力との中間的な協調に基づいている。
本枠組みは,教師モデルの対応に合うように,学生モデルにおけるコラボレーション後の特徴マップを制約することにより,ディスクグラフを訓練する。
次に、行列値のエッジウェイトをDiscoGraphで提案する。
このような行列において、各要素は特定の空間領域におけるエージェント間注意を反映し、エージェントが情報領域を適応的に強調することができる。
推論中は、蒸留されたコラボレーションネットワーク(DiscoNet)という名前の学生モデルのみを使用する必要があります。
教師/学生のフレームワークに貢献し、共有されたDiscoNetを持つ複数のエージェントが、総合的な視点で仮説的な教師モデルのパフォーマンスに協力的にアプローチすることができる。
CARLAとSUMOを用いた大規模マルチエージェント認識データセットであるV2X-Sim 1.0で本手法の有効性を検証した。
マルチエージェント3Dオブジェクト検出における定量的および定性的実験により、DiscoNetは最先端の協調認識法よりも優れた性能帯域トレードオフを達成できただけでなく、より簡単な設計の根拠ももたらした。
私たちのコードはhttps://github.com/ai4ce/DiscoNetで公開されています。
関連論文リスト
- MAPL: Model Agnostic Peer-to-peer Learning [2.9221371172659616]
我々は、異種パーソナライズされたモデルと協調グラフを同時に学習するために、MAPL(Model Agnostic Peer-to-peer Learning)を導入する。
MAPLは、(i)ローカルレベルのパーソナライズドモデルラーニング(PML)と、(ii)ネットワーク全体の分散協調グラフラーニング(CGL)という2つの主要なモジュールから構成され、局所的なタスク類似性に基づいて協調重みを動的に洗練する。
論文 参考訳(メタデータ) (2024-03-28T19:17:54Z) - Attention Graph for Multi-Robot Social Navigation with Deep
Reinforcement Learning [0.0]
深部強化学習(RL)を用いたマルチエージェント社会認識ナビゲーション戦略の学習方法であるMultiSocを提案する。
マルチエージェントディープRLに関する最近の研究から着想を得た本手法は,エージェント相互作用のグラフベース表現を利用して,エンティティ(歩行者とエージェント)の位置と視野を組み合わせる。
提案手法はソーシャルナビゲーションよりも高速に学習し,複数の異種人との群集ナビゲーションに挑戦する上で,効率的なマルチエージェントの暗黙調整を可能にする。
論文 参考訳(メタデータ) (2024-01-31T15:24:13Z) - Synergistic Signals: Exploiting Co-Engagement and Semantic Links via
Graph Neural Networks [4.261438296177923]
この問題をNetflixのコンテキストレコメンデータシステムで研究する。
本稿では,SemanticGNNと呼ばれるグラフベースの新しいアプローチを提案する。
1)グラフ内の関係型の不均衡分布を処理するための新しい関係認識型注目グラフニューラルネットワーク(GNN)を開発し,(2)数百万のノードと数十億のエッジを持つWebスケールグラフデータを処理するために,分散グラフトレーニングパラダイムを開発した。
論文 参考訳(メタデータ) (2023-12-07T06:29:26Z) - Structured Cooperative Learning with Graphical Model Priors [98.53322192624594]
ローカルデータに制限のある分散デバイス上で、さまざまなタスクに対してパーソナライズされたモデルをトレーニングする方法を研究する。
本稿では,デバイス間の協調グラフをグラフィカルモデルにより生成する「構造化協調学習(SCooL)」を提案する。
SCooLを評価し,既存の分散学習手法と比較した。
論文 参考訳(メタデータ) (2023-06-16T02:41:31Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - Distilling Knowledge from Self-Supervised Teacher by Embedding Graph
Alignment [52.704331909850026]
我々は、自己指導型事前学習モデルから他の学生ネットワークへ知識を伝達するための新しい知識蒸留フレームワークを定式化した。
自己教師型学習におけるインスタンス識別の精神に触発され,特徴埋め込み空間におけるグラフ定式化によるインスタンスとインスタンスの関係をモデル化する。
蒸留方式は, 学生ネットワーク上での表現学習を促進するために, 自己指導型知識の伝達に柔軟に適用できる。
論文 参考訳(メタデータ) (2022-11-23T19:27:48Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-20T10:49:22Z) - Unrolled Graph Learning for Multi-Agent Collaboration [37.239120967721156]
人間のコラボレーションにインスパイアされた分散マルチエージェント学習モデルを提案する。
エージェントは、適切なコラボレータを自律的に検出し、より良いパフォーマンスを得るためにコラボレータのモデルを参照することができる。
論文 参考訳(メタデータ) (2022-10-31T07:05:44Z) - Alignahead: Online Cross-Layer Knowledge Extraction on Graph Neural
Networks [6.8080936803807734]
グラフニューラルネットワーク(GNN)上の既存の知識蒸留手法はほとんどオフラインである。
本稿では,この問題を解決するための新しいオンライン知識蒸留フレームワークを提案する。
一方の学生層を別の学生モデルの異なる深さの層に整列させることにより, クロス層蒸留戦略を開発する。
論文 参考訳(メタデータ) (2022-05-05T06:48:13Z) - Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive
Person Re-Identification [54.58165777717885]
本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。
マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
論文 参考訳(メタデータ) (2021-05-11T04:09:49Z) - Revisiting Graph based Collaborative Filtering: A Linear Residual Graph
Convolutional Network Approach [55.44107800525776]
グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。
本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。
単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。
本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
論文 参考訳(メタデータ) (2020-01-28T04:41:25Z)
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。