論文の概要: Collective Relational Inference for learning physics-consistent heterogeneous particle interactions

• arxiv url: http://arxiv.org/abs/2305.00557v1
• Date: Sun, 30 Apr 2023 19:45:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 14:36:55.650488
• Title: Collective Relational Inference for learning physics-consistent heterogeneous particle interactions
• Title（参考訳）: 物理-不均一粒子相互作用学習のための集合的関係推論
• Authors: Zhichao Han, Olga Fink, David S. Kammer
• Abstract要約: 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。 第一に、異なるエッジの相互作用タイプをまとめて推測し、第二に、物理に起因したグラフニューラルネットワークを用いて、物理に一貫性のあるペアの相互作用を学習する。
• 参考スコア（独自算出の注目度）: 3.9686511558236055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Interacting particle systems are ubiquitous in nature and engineering. Revealing particle interaction laws is of fundamental importance but also particularly challenging due to underlying configurational complexities. Recently developed machine learning methods show great potential in discovering pairwise interactions from particle trajectories in homogeneous systems. However, they fail to reveal interactions in heterogeneous systems that are prevalent in reality, where multiple interaction types coexist simultaneously and relational inference is required. Here, we propose a novel probabilistic method for relational inference, which possesses two distinctive characteristics compared to existing methods. First, it infers the interaction types of different edges collectively, and second, it uses a physics-induced graph neural network to learn physics-consistent pairwise interactions. We evaluate the proposed methodology across several benchmark datasets and demonstrate that it is consistent with the underlying physics. Furthermore, we showcase its ability to outperform existing methods in accurately inferring interaction types. In addition, the proposed model is data-efficient and generalizable to large systems when trained on smaller ones, which contrasts with previously proposed solutions. The developed methodology constitutes a key element for the discovery of the fundamental laws that determine macroscopic mechanical properties of particle systems.
• Abstract（参考訳）: 相互作用する粒子系は自然と工学においてユビキタスである。 粒子相互作用の法則の解明は基本的に重要であるが、構成の複雑さが原因で特に困難である。 最近開発された機械学習手法は、均一系の粒子軌道から対の相互作用を発見する大きな可能性を示している。 しかし、複数の相互作用型が同時に共存し、関係推論が必要な異種系における相互作用を明らかにすることは不可能である。 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。 第一に、異なるエッジの相互作用タイプをまとめて推測し、第二に、物理に起因したグラフニューラルネットワークを使って、物理に一貫性のあるペアの相互作用を学習する。 提案手法をいくつかのベンチマークデータセットで評価し,基礎となる物理と整合性を示す。 さらに,インタラクション型を正確に推測する既存の手法よりも優れた性能を示す。 さらに,提案手法は,従来提案していた解とは対照的に,より小さな解を訓練する場合に,データ効率が向上し,大規模システムに一般化できる。 開発された手法は、粒子系のマクロ力学的性質を決定する基本法則の発見の鍵となる要素を構成する。

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)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Diffusion model for relational inference [2.83334745695045]
  観測可能な力学を持つシステムに対する金融価格モデルを提案する。 DiffRIは条件拡散モデルを用いて、コンポーネント間の接続の確率を推測する。
  論文  参考訳（メタデータ） (2024-01-30T05:25:02Z)
• 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)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• 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)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• REPID: Regional Effect Plots with implicit Interaction Detection [0.9023847175654603]
  解釈可能な機械学習手法は、限界特徴効果を可視化するが、特徴相互作用が存在する場合の誤解を招く可能性がある。 興味のある特徴と他の特徴との相互作用を検出する新しいフレームワークである暗黙の相互作用検出を導入する。 このフレームワークはまた、相互作用の強さを定量化し、特徴効果をより確実に解釈できる解釈可能な異なる領域を提供する。
  論文  参考訳（メタデータ） (2022-02-15T08:54:00Z)
• Unlimited Neighborhood Interaction for Heterogeneous Trajectory Prediction [97.40338982628094]
  マルチプライカテゴリにおける異種エージェントの軌跡を予測できる,シンプルで効果的な非境界相互作用ネットワーク (UNIN) を提案する。 具体的には、提案した無制限近傍相互作用モジュールは、相互作用に関与するすべてのエージェントの融合特徴を同時に生成する。 階層型グラフアテンションモジュールを提案し,カテゴリ間相互作用とエージェント間相互作用を求める。
  論文  参考訳（メタデータ） (2021-07-31T13:36:04Z)
• Data-driven discovery of interacting particle systems using Gaussian processes [3.0938904602244346]
  本研究では,2次相互作用粒子系における距離に基づく相互作用則の発見について検討する。 本稿では,潜在相互作用カーネル関数をガウス過程としてモデル化する学習手法を提案する。 異なる集団行動を示すシステムにおける数値的な結果から,ノイズの少ない軌道データから,我々のアプローチを効果的に学習することを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:00:53Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。