論文の概要: Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network

• arxiv url: http://arxiv.org/abs/2208.13179v1
• Date: Sun, 28 Aug 2022 09:13:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 14:14:51.385712
• Title: Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network
• Title（参考訳）: グラフニューラルネットワークを用いた軌道予測による異種相互作用強度の学習
• Authors: Seungwoong Ha, Hawoong Jeong
• Abstract要約: 地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Dynamical systems with interacting agents are universal in nature, commonly modeled by a graph of relationships between their constituents. Recently, various works have been presented to tackle the problem of inferring those relationships from the system trajectories via deep neural networks, but most of the studies assume binary or discrete types of interactions for simplicity. In the real world, the interaction kernels often involve continuous interaction strengths, which cannot be accurately approximated by discrete relations. In this work, we propose the relational attentive inference network (RAIN) to infer continuously weighted interaction graphs without any ground-truth interaction strengths. Our model employs a novel pairwise attention (PA) mechanism to refine the trajectory representations and a graph transformer to extract heterogeneous interaction weights for each pair of agents. We show that our RAIN model with the PA mechanism accurately infers continuous interaction strengths for simulated physical systems in an unsupervised manner. Further, RAIN with PA successfully predicts trajectories from motion capture data with an interpretable interaction graph, demonstrating the virtue of modeling unknown dynamics with continuous weights.
• Abstract（参考訳）: 相互作用するエージェントを持つ力学系は自然界において普遍的であり、一般的に構成員間の関係グラフによってモデル化される。 近年,深層ニューラルネットワークによるシステムトラジェクタからそれらの関係を推測する手法が提案されているが,そのほとんどは単純さのために二元的あるいは離散的な相互作用を仮定している。 実世界では、相互作用核はしばしば連続的な相互作用の強度を伴い、これは離散関係によって正確に近似できない。 本研究では,接地-実地相互作用の強みを伴わない連続重み付き相互作用グラフを推定するリレーショナル・アテンション推論ネットワーク(rain)を提案する。 提案モデルでは,軌道表現を洗練するための新しいペアアテンション(PA)機構と,各エージェントの異種相互作用重みを抽出するグラフトランスフォーマーを用いる。 その結果,pa機構を用いた降雨モデルでは,シミュレーション物理系の連続的な相互作用強度を教師なしで正確に推定できることがわかった。 さらに、rain with paは、解釈可能な相互作用グラフを用いて、モーションキャプチャデータからの軌跡予測に成功し、未知のダイナミクスを連続的な重みでモデル化することの利点を示す。

関連論文リスト

• Heterogeneous Interaction Modeling With Reduced Accumulated Error for Multi-Agent Trajectory Prediction [25.723504433042923]
  本稿では, トラジェクトリ予測のために, 累積誤差を低減した異種相互作用モデリングを提案する。 本手法は, エージェント間の動的相互作用グラフを推定する。 不均質な注意機構は、異質な隣人からターゲットエージェントへの影響を集約する相互作用グラフ上で定義される。
  論文  参考訳（メタデータ） (2024-10-28T04:53:42Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• 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)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• DIDER: Discovering Interpretable Dynamically Evolving Relations [14.69985920418015]
  本稿では,内在的解釈可能性を備えた汎用的なエンドツーエンドインタラクションモデリングフレームワークであるDIDER,Discovering Interpretable Dynamically Evolving Relationsを紹介する。 合成と実世界の両方のデータセット上でDIDERを評価する。
  論文  参考訳（メタデータ） (2022-08-22T20:55:56Z)
• 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)
• Neural Relational Inference with Efficient Message Passing Mechanisms [10.329082213561785]
  本稿では,これらの問題に対処するための構造的事前知識を持つグラフニューラルネットワークに,効率的なメッセージパッシング機構を導入する。 すべての関係の共存を捕捉する関係相互作用機構を提案し、エラーの蓄積を緩和するために履歴情報を用いてアテンポラルメッセージパッシング機構を提案する。
  論文  参考訳（メタデータ） (2021-01-23T11:27:31Z)
• 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。

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。