論文の概要: Learning to Simulate Daily Activities via Modeling Dynamic Human Needs
- arxiv url: http://arxiv.org/abs/2302.10897v1
- Date: Thu, 9 Feb 2023 12:30:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 13:51:50.515854
- Title: Learning to Simulate Daily Activities via Modeling Dynamic Human Needs
- Title（参考訳）: ダイナミックな人的ニーズのモデリングによる日常活動のシミュレート
- Authors: Yuan Yuan, Huandong Wang, Jingtao Ding, Depeng Jin, Yong Li
- Abstract要約: 生成的逆転模倣学習に基づく知識駆動型シミュレーションフレームワークを提案する。
我々の中核となる考え方は、シミュレーションモデルにおける活動生成を駆動する基盤となるメカニズムとして、人間の要求の進化をモデル化することである。
我々のフレームワークは、データの忠実さと実用性の観点から、最先端のベースラインよりも優れています。
- 参考スコア（独自算出の注目度）: 24.792813473159505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Daily activity data that records individuals' various types of activities in
daily life are widely used in many applications such as activity scheduling,
activity recommendation, and policymaking. Though with high value, its
accessibility is limited due to high collection costs and potential privacy
issues. Therefore, simulating human activities to produce massive high-quality
data is of great importance to benefit practical applications. However,
existing solutions, including rule-based methods with simplified assumptions of
human behavior and data-driven methods directly fitting real-world data, both
cannot fully qualify for matching reality. In this paper, motivated by the
classic psychological theory, Maslow's need theory describing human motivation,
we propose a knowledge-driven simulation framework based on generative
adversarial imitation learning. To enhance the fidelity and utility of the
generated activity data, our core idea is to model the evolution of human needs
as the underlying mechanism that drives activity generation in the simulation
model. Specifically, this is achieved by a hierarchical model structure that
disentangles different need levels, and the use of neural stochastic
differential equations that successfully captures piecewise-continuous
characteristics of need dynamics. Extensive experiments demonstrate that our
framework outperforms the state-of-the-art baselines in terms of data fidelity
and utility. Besides, we present the insightful interpretability of the need
modeling. The code is available at https://github.com/tsinghua-fib-lab/SAND.
- Abstract（参考訳）: 日常生活における個人の各種活動を記録する日次活動データは、活動スケジューリング、アクティビティレコメンデーション、ポリシー作成など、多くのアプリケーションで広く利用されている。
価値は高いが、収集コストと潜在的なプライバシー問題のためにアクセシビリティは制限されている。
したがって、人間の活動をシミュレーションして大量の高品質なデータを生成することは、実用的な応用のために非常に重要である。
しかし、人間の振る舞いを単純化したルールベースの方法や、実世界のデータに直接適合するデータ駆動手法など、既存のソリューションでは、どちらも一致した現実に完全に対応できない。
本稿では,人間のモチベーションを記述した古典心理学理論であるMaslowの欲求理論を動機として,生成的対人模倣学習に基づく知識駆動型シミュレーションフレームワークを提案する。
生成した活動データの忠実性と有用性を高めるため,シミュレーションモデルにおける活動生成を駆動する基盤となるメカニズムとして,人間のニーズの進化をモデル化する。
具体的には、異なるニーズレベルを分断する階層的モデル構造と、ニーズダイナミクスの分断連続特性をうまく捉えた神経確率微分方程式の使用によって実現される。
大規模な実験により、我々のフレームワークはデータの忠実さと実用性の観点から最先端のベースラインより優れていることが示された。
さらに,要求モデリングの洞察に富む解釈可能性も提示する。
コードはhttps://github.com/tsinghua-fib-lab/sandで入手できる。
関連論文リスト
- Human Mobility Modeling with Limited Information via Large Language Models [11.90100976089832]
本稿では,人間の移動性モデリングフレームワークであるLLM(Large Language Model)を提案する。
提案手法は,詳細な移動統計データへの依存を著しく低減する。
NHTSとSCAG-ABMのデータセットを用いて評価を行った。
論文 参考訳（メタデータ） (2024-09-26T03:07:32Z) - Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation [8.940998315746684]
ロボットアームのエンドタスクに対するモデルベース強化学習(RL)アプローチを提案する。
我々はベイズニューラルネットワークモデルを用いて、探索中に動的モデルに符号化された信念と情報の両方を確率論的に表現する。
実験により,ベイズモデルに基づくRL手法の利点が示された。
論文 参考訳（メタデータ） (2024-04-02T11:44:37Z) - MATRIX: Multi-Agent Trajectory Generation with Diverse Contexts [47.12378253630105]
マルチヒューマン・ロボットインタラクションシナリオにおけるトラジェクトリレベルのデータ生成について検討する。
Diverse conteXts(MATRIX)を用いたマルチエージェントTRajectory生成と呼ばれる学習に基づく自動軌道生成モデルを提案する。
論文 参考訳（メタデータ） (2024-03-09T23:28:54Z) - A Framework for Realistic Simulation of Daily Human Activity [1.8877825068318652]
本稿では,家庭環境における日々の行動パターンを大規模にシミュレーションするための枠組みを提案する。
本稿では,スケジュールの日々の変動を特定する手法を提案し,テンプレートからスケジュールを生成するための双方向制約伝搬アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-26T19:50:23Z) - CoDBench: A Critical Evaluation of Data-driven Models for Continuous
Dynamical Systems [8.410938527671341]
微分方程式を解くための11の最先端データ駆動モデルからなる総合ベンチマークスイートであるCodBenchを紹介する。
具体的には、Viz.、フィードフォワードニューラルネットワーク、ディープオペレータ回帰モデル、周波数ベースのニューラル演算子、トランスフォーマーアーキテクチャの4つの異なるカテゴリを評価する。
我々は、学習におけるオペレータの能力、ゼロショット超解像、データ効率、ノイズに対する堅牢性、計算効率を評価する広範な実験を行う。
論文 参考訳（メタデータ） (2023-10-02T21:27:54Z) - Model-Based Reinforcement Learning with Multi-Task Offline Pretraining [59.82457030180094]
本稿では,オフラインデータから新しいタスクへ,潜在的に有用なダイナミックスや動作デモを伝達するモデルベースRL法を提案する。
主な考え方は、世界モデルを行動学習のシミュレーターとしてだけでなく、タスクの関連性を測定するツールとして使うことである。
本稿では,Meta-WorldとDeepMind Control Suiteの最先端手法と比較して,我々のアプローチの利点を実証する。
論文 参考訳（メタデータ） (2023-06-06T02:24:41Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z) - Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。
我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2022-09-29T15:24:47Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-14T16:42:59Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z)
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。