論文の概要: Forecasting Local Behavior of Self-organizing Many-agent System without
Reconstruction
- arxiv url: http://arxiv.org/abs/2210.17289v2
- Date: Wed, 31 May 2023 04:25:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 04:00:21.169336
- Title: Forecasting Local Behavior of Self-organizing Many-agent System without
Reconstruction
- Title(参考訳): リコンストラクションのない自己組織型多エージェントシステムの局所的挙動予測
- Authors: Beomseok Kang, Minah Lee, Harshit Kumar, Saibal Mukhopadhyay
- Abstract要約: 本研究では,大規模な自己組織型マルチエージェントシステムにおけるエージェントの状態予測のためのCNN-LSTMモデルについて検討する。
提案モデルはAUCと似ているかやや悪いかを示すが,アクティベーションなどの計算コストを大幅に削減する。
- 参考スコア(独自算出の注目度): 12.766362731356686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large multi-agent systems are often driven by locally defined agent
interactions, which is referred to as self-organization. Our primary objective
is to determine when the propagation of such local interactions will reach a
specific agent of interest. Although conventional approaches that reconstruct
all agent states can be used, they may entail unnecessary computational costs.
In this paper, we investigate a CNN-LSTM model to forecast the state of a
particular agent in a large self-organizing multi-agent system without the
reconstruction. The proposed model comprises a CNN encoder to represent the
system in a low-dimensional vector, a LSTM module to learn agent dynamics in
the vector space, and a MLP decoder to predict the future state of an agent. As
an example, we consider a forest fire model where we aim to predict when a
particular tree agent will start burning. We compare the proposed model with
reconstruction-based approaches such as CNN-LSTM and ConvLSTM. The proposed
model exhibits similar or slightly worse AUC but significantly reduces
computational costs such as activation than ConvLSTM. Moreover, it achieves
higher AUC with less computation than the recontruction-based CNN-LSTM.
- Abstract(参考訳): 大規模なマルチエージェントシステムは、しばしば局所的に定義されたエージェント相互作用によって駆動される。
我々の主な目的は、そのような局所的な相互作用の伝播がいつ特定の関心のエージェントに到達するかを決定することである。
全てのエージェント状態を再構築する従来の手法を用いることができるが、不要な計算コストがかかる可能性がある。
本稿では,大規模な自己組織型マルチエージェントシステムにおけるエージェントの状態を予測するためのCNN-LSTMモデルについて検討する。
提案モデルは,低次元ベクトルにおけるシステムを表現するCNNエンコーダと,ベクトル空間におけるエージェントダイナミクスを学習するLSTMモジュールと,エージェントの将来状態を予測するMLPデコーダとを備える。
一例として、特定の樹木が燃え始める時期を予測する森林火災モデルについて考察する。
提案モデルとCNN-LSTMやConvLSTMのような再構成に基づくアプローチを比較した。
提案モデルはAUCと似ているかやや悪いが、ConvLSTMよりもアクティベーションなどの計算コストを大幅に削減する。
さらに、再構成ベースのCNN-LSTMよりも少ない計算で高いAUCを実現する。
関連論文リスト
- Accelerating Hybrid Agent-Based Models and Fuzzy Cognitive Maps: How to Combine Agents who Think Alike? [0.0]
我々は, 思考するエージェントを「等しく考えるエージェント」と組み合わせることで, 個体数と計算時間を短縮する近似を提示する。
我々の革新は、エージェントの動作をルールのネットワークとして表現し、これらのネットワーク間の距離の異なる測度を経験的に評価することに依存します。
論文 参考訳(メタデータ) (2024-09-01T19:45:15Z) - Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。
本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。
我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
論文 参考訳(メタデータ) (2024-03-28T15:22:29Z) - Systematic Architectural Design of Scale Transformed Attention Condenser
DNNs via Multi-Scale Class Representational Response Similarity Analysis [93.0013343535411]
マルチスケールクラス表現応答類似性分析(ClassRepSim)と呼ばれる新しいタイプの分析法を提案する。
ResNetスタイルのアーキテクチャにSTACモジュールを追加すると、最大1.6%の精度が向上することを示す。
ClassRepSim分析の結果は、STACモジュールの効果的なパラメータ化を選択するために利用することができ、競争性能が向上する。
論文 参考訳(メタデータ) (2023-06-16T18:29:26Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Learning Individual Policies in Large Multi-agent Systems through Local
Variance Minimization [8.140037969280716]
多くのエージェントを持つマルチエージェントシステムでは、各エージェントの他のエージェントの価値への貢献は最小限である。
エージェントの値の分散を最小限に抑える新しいマルチエージェント強化学習(MARL)機構を提案する。
提案手法は, タクシー運転手の収益のばらつきを低減しつつ, 先行するアプローチよりも高いジョイント収益を提供できることを示す。
論文 参考訳(メタデータ) (2022-12-27T06:59:00Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z) - TMS: A Temporal Multi-scale Backbone Design for Speaker Embedding [60.292702363839716]
話者埋め込みのための現在のSOTAバックボーンネットワークは、話者表現のためのマルチブランチネットワークアーキテクチャを用いた発話からマルチスケール特徴を集約するように設計されている。
本稿では, 話者埋め込みネットワークにおいて, 計算コストの増大を伴わずに, マルチスケール分岐を効率的に設計できる効果的な時間的マルチスケール(TMS)モデルを提案する。
論文 参考訳(メタデータ) (2022-03-17T05:49:35Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳(メタデータ) (2021-03-01T06:47:29Z) - Compressing LSTM Networks by Matrix Product Operators [7.395226141345625]
Long Short Term Memory(LSTM)モデルは、多くの最先端自然言語処理(NLP)と音声強調(SE)アルゴリズムの構築ブロックである。
ここでは、量子多体物理学における量子状態の局所的相関を記述するMPO分解を紹介する。
LSTMモデルを置き換えるために,行列積演算子(MPO)に基づくニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-12-22T11:50:06Z) - Data-driven model reduction of agent-based systems using the Koopman
generator [0.3867363075280544]
Koopman 演算子理論がエージェントベースのシステムの縮小モデルを引き出すのにどのように使用できるかを示す。
我々の目標は粗い粒度のモデルを学び、通常の方程式や微分方程式による減少ダイナミクスを表現することである。
論文 参考訳(メタデータ) (2020-12-14T17:12:54Z)
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。