Fugu-MT 論文翻訳(概要): Inference of time-ordered multibody interactions

論文の概要: Inference of time-ordered multibody interactions

arxiv url: http://arxiv.org/abs/2111.14611v1
Date: Mon, 29 Nov 2021 15:41:06 GMT
ステータス: 処理完了
システム内更新日: 2021-11-30 18:03:01.550821
Title: Inference of time-ordered multibody interactions
Title（参考訳）: 時間順多体相互作用の推論
Authors: Unai Alvarez-Rodriguez, Luka V. Petrovi\'c, Ingo Scholtes
Abstract要約: 時間的および時間的依存関係を示す複雑なシステムと多体依存関係を記述するために、時間順の多体インタラクションを導入する。本稿では、データから複合的な相互作用を抽出するアルゴリズムと、相互作用アンサンブルの複雑さを特徴付ける尺度を提案する。
参考スコア（独自算出の注目度）: 2.5782420501870287
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce time-ordered multibody interactions to describe complex systems manifesting temporal as well as multibody dependencies. First, we show how the dynamics of multivariate Markov chains can be decomposed in ensembles of time-ordered multibody interactions. Then, we present an algorithm to extract combined interactions from data and a measure to characterize the complexity of interaction ensembles. Finally, we experimentally validate the robustness of our algorithm against statistical errors and its efficiency at obtaining simple interaction ensembles.
Abstract（参考訳）: 時間順の多体相互作用を導入し、時間的および多体依存を表わす複雑なシステムを記述する。まず,多変量マルコフ鎖の動力学を時間順序多体相互作用のアンサンブルに分解する方法を示す。次に、データから複合的な相互作用を抽出するアルゴリズムと、相互作用アンサンブルの複雑さを特徴付ける尺度を提案する。最後に,統計誤差に対するアルゴリズムのロバスト性および単純な相互作用アンサンブルの獲得効率を実験的に検証した。

関連論文リスト

Inferring the time-varying coupling of dynamical systems with temporal convolutional autoencoders [0.0]
因果推論のためのテンポラルオートエンコーダ(TACI)を紹介する。 TACIは、2つの頭を持つ新しい機械学習アーキテクチャと因果関係を評価するために、新しい代理データメトリクスを組み合わせる。 TACIが様々なシステム間で動的因果相互作用を正確に定量化できることを実証する。
論文参考訳（メタデータ） (2024-06-05T12:51:20Z)
Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
論文参考訳（メタデータ） (2023-07-25T14:20:52Z)
Multimodal Learning Without Labeled Multimodal Data: Guarantees and Applications [90.6849884683226]
ラベル付き単調データのみを用いた半教師付き環境における相互作用定量化の課題について検討する。相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は下界と上界の導出である。本稿では、これらの理論結果を用いてマルチモーダルモデルの性能を推定し、データ収集をガイドし、様々なタスクに対して適切なマルチモーダルモデルを選択する方法について述べる。
論文参考訳（メタデータ） (2023-06-07T15:44:53Z)
Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文参考訳（メタデータ） (2023-05-11T10:30:35Z)
Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
論文参考訳（メタデータ） (2023-04-30T19:45:04Z)
Learning to Decouple Complex Systems [16.544684282277526]
本研究では,不規則なサンプルや散逸した逐次観測を扱うための逐次学習手法を提案する。我々は、単純体の中で進化するメタシステムは射影微分方程式(ProjDEs)によって支配されると主張する。
論文参考訳（メタデータ） (2023-02-03T07:24:58Z)
Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文参考訳（メタデータ） (2022-10-17T07:16:44Z)
Learning Interaction Variables and Kernels from Observations of Agent-Based Systems [14.240266845551488]
本稿では,エージェントの軌道に沿った状態や速度の観測を前提として,相互作用カーネルが依存する変数と相互作用カーネル自体を両立させる学習手法を提案する。これにより、高次元観測データから次元性の呪いを避ける効果的な次元削減が得られる。我々は,本手法の学習能力を,様々な一階対話システムに示す。
論文参考訳（メタデータ） (2022-08-04T16:31:01Z)
Unifying Pairwise Interactions in Complex Dynamics [0.0]
本稿では,多種多様な実世界およびモデル生成システムからのペアインタラクションに関する237の統計ライブラリを紹介する。解析では、異なる数学的定式化の新たな共通点に注目し、豊かな学際文学の統一的な図面を提供する。
論文参考訳（メタデータ） (2022-01-28T05:44:27Z)
Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文参考訳（メタデータ） (2021-07-10T03:49:41Z)
Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-10-25T02:15:24Z)

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。