論文の概要: Graph Neural Networks for Multi-Robot Active Information Acquisition
- arxiv url: http://arxiv.org/abs/2209.12091v1
- Date: Sat, 24 Sep 2022 21:45:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 17:42:42.398892
- Title: Graph Neural Networks for Multi-Robot Active Information Acquisition
- Title(参考訳): マルチロボット能動情報獲得のためのグラフニューラルネットワーク
- Authors: Mariliza Tzes, Nikolaos Bousias, Evangelos Chatzipantazis, George J.
Pappas
- Abstract要約: 基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。
既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。
本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
- 参考スコア(独自算出の注目度): 15.900385823366117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the Multi-Robot Active Information Acquisition (AIA)
problem, where a team of mobile robots, communicating through an underlying
graph, estimates a hidden state expressing a phenomenon of interest.
Applications like target tracking, coverage and SLAM can be expressed in this
framework. Existing approaches, though, are either not scalable, unable to
handle dynamic phenomena or not robust to changes in the communication graph.
To counter these shortcomings, we propose an Information-aware Graph Block
Network (I-GBNet), an AIA adaptation of Graph Neural Networks, that aggregates
information over the graph representation and provides sequential-decision
making in a distributed manner. The I-GBNet, trained via imitation learning
with a centralized sampling-based expert solver, exhibits permutation
equivariance and time invariance, while harnessing the superior scalability,
robustness and generalizability to previously unseen environments and robot
configurations. Experiments on significantly larger graphs and dimensionality
of the hidden state and more complex environments than those seen in training
validate the properties of the proposed architecture and its efficacy in the
application of localization and tracking of dynamic targets.
- Abstract(参考訳): 本稿では,移動ロボットのチームが基礎となるグラフを通してコミュニケーションし,関心現象を表す隠れた状態を推定するマルチロボットアクティブ情報取得(aia)問題に対処する。
ターゲットトラッキングやカバレッジ、SLAMといったアプリケーションは、このフレームワークで表現できる。
しかし、既存のアプローチはスケーラブルではなく、動的現象を処理できないか、通信グラフの変化に対して堅牢ではない。
これらの欠点に対処するため,グラフニューラルネットワークのAIA適応である情報認識グラフブロックネットワーク(I-GBNet)を提案する。
I-GBNetは、集中型サンプリングベースのエキスパートソルバによる模倣学習によって訓練され、変分同値と時間的不変性を示し、以前は見つからなかった環境やロボットの構成に対して優れたスケーラビリティ、堅牢性、一般化性を利用する。
隠れ状態とより複雑な環境の非常に大きなグラフと次元に関する実験は、提案したアーキテクチャの特性と、動的ターゲットの局所化と追跡の応用における有効性を検証する。
関連論文リスト
- Unsupervised Graph Attention Autoencoder for Attributed Networks using
K-means Loss [0.0]
我々は、属性付きネットワークにおけるコミュニティ検出のための、教師なしのtextbfGraph Attention textbfAutotextbfEncoder に基づく、シンプルで効率的なクラスタリング指向モデルを提案する。
提案モデルは,ネットワークのトポロジと属性情報の両方から表現を十分に学習し,同時に2つの目的,すなわち再構築とコミュニティ発見に対処する。
論文 参考訳(メタデータ) (2023-11-21T20:45:55Z) - Explainable Spatio-Temporal Graph Neural Networks [16.313146933922752]
本稿では,STGNNを本質的に説明可能な形で拡張する,説明可能な時空間グラフニューラルネットワーク(STGNN)フレームワークを提案する。
本フレームワークは,STGエンコーダとデコーダとして位置情報融合層と統合時間グラフアテンションネットワークを統合した。
予測精度と説明可能性の指標から,STExplainerは最先端のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-26T04:47:28Z) - Network Alignment with Transferable Graph Autoencoders [87.28177782039265]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-11-15T13:00:25Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Affinity-Aware Graph Networks [9.888383815189176]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを学ぶための強力なテクニックとして登場した。
グラフニューラルネットワークの特徴としてアフィニティ尺度の利用について検討する。
本稿では,これらの特徴に基づくメッセージパッシングネットワークを提案し,その性能を様々なノードおよびグラフ特性予測タスクで評価する。
論文 参考訳(メタデータ) (2022-06-23T18:51:35Z) - Soft Hierarchical Graph Recurrent Networks for Many-Agent Partially
Observable Environments [9.067091068256747]
本稿では,階層型グラフ再帰ネットワーク(HGRN)と呼ばれる新しいネットワーク構造を提案する。
以上の技術に基づいて,Soft-HGRNと呼ばれる値に基づくMADRLアルゴリズムと,SAC-HRGNというアクタクリティカルな変種を提案する。
論文 参考訳(メタデータ) (2021-09-05T09:51:25Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳(メタデータ) (2021-06-05T07:07:52Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - Graphs, Entities, and Step Mixture [11.162937043309478]
エッジベース近傍関係とノードベース実体特徴の両方を考慮した新しいグラフニューラルネットワークを提案する。
集約的な実験により,提案したGESMは,8つのベンチマークグラフデータセット上で,最先端または同等のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2020-05-18T06:57:02Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳(メタデータ) (2020-02-04T08:33:49Z)
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。