論文の概要: Collective Relational Inference for learning heterogeneous interactions
- arxiv url: http://arxiv.org/abs/2305.00557v2
- Date: Fri, 24 Nov 2023 09:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 04:15:17.061108
- Title: Collective Relational Inference for learning heterogeneous interactions
- Title（参考訳）: 異種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,2つの特徴を持つ関係推論の確率論的手法を提案する。
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、時間とともに変動位相構造を持つシステムを扱うことができる。
全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
- 参考スコア（独自算出の注目度）: 8.215734914005845
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Interacting systems are ubiquitous in nature and engineering, ranging from
particle dynamics in physics to functionally connected brain regions. These
interacting systems can be modeled by graphs where edges correspond to the
interactions between interactive entities. Revealing interaction laws is of
fundamental importance but also particularly challenging due to underlying
configurational complexities. The associated challenges become exacerbated for
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 allows
handling systems with variable topological structure over time. We evaluate the
proposed methodology across several benchmark datasets and demonstrate that it
outperforms existing methods in accurately inferring interaction types. We
further show that when combined with known constraints, it allows us, for
example, to discover physics-consistent interaction laws of particle systems.
Overall the proposed model is data-efficient and generalizable to large systems
when trained on smaller ones. The developed methodology constitutes a key
element for understanding interacting systems and may find application in graph
structure learning.
- Abstract（参考訳）: 相互作用系は、物理学の粒子力学から機能的に連結された脳領域まで、自然と工学においてユビキタスである。
これらの相互作用系は、エッジが対話的実体間の相互作用に対応するグラフによってモデル化することができる。
相互作用法則の探求は基本的な重要性であるが、基礎となる構成上の複雑さのために特に困難である。
関連する課題は、複数の相互作用タイプが同時に共存し、リレーショナル推論が必要な、現実に広く普及している異種システムに対してさらに悪化する。
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、時間とともに変動位相構造を持つシステムを扱うことができる。
提案手法は,複数のベンチマークデータセットにまたがって評価され,既存の手法より優れていることを示す。
さらに、既知の制約と組み合わせることで、例えば、粒子系の物理学的一貫性のある相互作用則を発見できることを示した。
全体として、提案されたモデルはデータ効率が良く、より小さなシステムでトレーニングした場合、大規模システムに一般化できる。
開発した手法は相互作用するシステムを理解する上で重要な要素であり,グラフ構造学習への応用を見出すことができる。
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。