論文の概要: Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems
- arxiv url: http://arxiv.org/abs/2305.01773v1
- Date: Tue, 2 May 2023 20:30:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-04 16:39:23.055371
- Title: Cheap and Deterministic Inference for Deep State-Space Models of
Interacting Dynamical Systems
- Title（参考訳）: 相互作用力学系の深部状態空間モデルに対するチープおよび決定論的推論
- Authors: Andreas Look, Melih Kandemir, Barbara Rakitsch, Jan Peters
- Abstract要約: 本稿では,基礎となる相互作用力学系をモデル化するために,グラフニューラルネットワークを用いた深部状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルのない推論に利用でき、モンテカルロの代替案と比較してより効率的で安定した訓練がもたらされる。
- 参考スコア（独自算出の注目度）: 38.23826389188657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks are often used to model interacting dynamical systems
since they gracefully scale to systems with a varying and high number of
agents. While there has been much progress made for deterministic interacting
systems, modeling is much more challenging for stochastic systems in which one
is interested in obtaining a predictive distribution over future trajectories.
Existing methods are either computationally slow since they rely on Monte Carlo
sampling or make simplifying assumptions such that the predictive distribution
is unimodal. In this work, we present a deep state-space model which employs
graph neural networks in order to model the underlying interacting dynamical
system. The predictive distribution is multimodal and has the form of a
Gaussian mixture model, where the moments of the Gaussian components can be
computed via deterministic moment matching rules. Our moment matching scheme
can be exploited for sample-free inference, leading to more efficient and
stable training compared to Monte Carlo alternatives. Furthermore, we propose
structured approximations to the covariance matrices of the Gaussian components
in order to scale up to systems with many agents. We benchmark our novel
framework on two challenging autonomous driving datasets. Both confirm the
benefits of our method compared to state-of-the-art methods. We further
demonstrate the usefulness of our individual contributions in a carefully
designed ablation study and provide a detailed runtime analysis of our proposed
covariance approximations. Finally, we empirically demonstrate the
generalization ability of our method by evaluating its performance on unseen
scenarios.
- Abstract（参考訳）: グラフニューラルネットワークは、様々な多数のエージェントを持つシステムに優雅にスケールするため、相互作用する動的システムをモデル化するためにしばしば使用される。
決定論的相互作用系には多くの進展があったが、将来の軌道上の予測分布の獲得に関心を持つ確率的系ではモデリングがより困難である。
既存の手法はモンテカルロサンプリングに依存するため計算が遅くなるか、予測分布が単調であるような仮定を単純化する。
本稿では,基礎となる相互作用系をモデル化するために,グラフニューラルネットワークを用いた深層状態空間モデルを提案する。
予測分布はマルチモーダルであり、ガウス混合モデルの形をしており、ガウス成分のモーメントは決定論的モーメントマッチングルールによって計算できる。
我々のモーメントマッチングスキームはサンプルフリーな推論に活用でき、モンテカルロの代替案と比較してより効率的で安定したトレーニングに繋がる。
さらに,多数のエージェントを持つシステムにスケールアップするために,ガウス成分の共分散行列の構造化近似を提案する。
2つの挑戦的な自律走行データセットに新しいフレームワークをベンチマークします。
両者とも最先端の手法と比較して,この手法の利点を確認している。
さらに、慎重に設計されたアブレーション研究において、我々の個人貢献の有効性を実証し、提案した共分散近似の詳細な実行時解析を提供する。
最後に,本手法の一般化性能を,未知のシナリオで評価することで実証的に実証する。
関連論文リスト
- Enhanced Prediction of Multi-Agent Trajectories via Control Inference and State-Space Dynamics [14.694200929205975]
本稿では,状態空間動的システムモデリングに基づく軌道予測の新しい手法を提案する。
動的システムにおける状態推定の精度を高めるために,制御変数に対する新しいモデリング手法を提案する。
提案手法は,グラフニューラルネットワークと状態空間モデルを統合し,マルチエージェント相互作用の複雑さを効果的に捉える。
論文 参考訳（メタデータ） (2024-08-08T08:33:02Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Data-Driven Model Selections of Second-Order Particle Dynamics via
Integrating Gaussian Processes with Low-Dimensional Interacting Structures [0.9821874476902972]
我々は、一般の2階粒子モデルにおけるデータ駆動的な発見に焦点を当てる。
本稿では、2つの実世界の魚の動きデータセットのモデリングへの応用について述べる。
論文 参考訳（メタデータ） (2023-11-01T23:45:15Z) - Random Feature Models for Learning Interacting Dynamical Systems [2.563639452716634]
エージェントの経路のノイズ観測から直接相互作用力のデータに基づく近似を構築することの問題点を考察する。
学習された相互作用カーネルは、長い時間間隔でエージェントの振る舞いを予測するために使用される。
さらに,カーネル評価コストを削減し,マルチエージェントシステムのシミュレーションコストを大幅に削減する。
論文 参考訳（メタデータ） (2022-12-11T20:09:36Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - Markov Chain Monte Carlo for Continuous-Time Switching Dynamical Systems [26.744964200606784]
マルコフ連鎖モンテカルロ法による新しい推論アルゴリズムを提案する。
提示されたギブスサンプルは、正確な連続時間後処理から試料を効率的に得ることができる。
論文 参考訳（メタデータ） (2022-05-18T09:03:00Z) - Gaussian processes meet NeuralODEs: A Bayesian framework for learning
the dynamics of partially observed systems from scarce and noisy data [0.0]
本稿では,非線形力学系の部分的,雑音的,不規則な観測からベイズ系を同定する機械学習フレームワーク(GP-NODE)を提案する。
提案手法は、微分可能プログラミングの最近の発展を利用して、通常の微分方程式解法を用いて勾配情報を伝播する。
捕食者予備システム,システム生物学,50次元ヒューマンモーションダイナミクスシステムを含む提案GP-NODE法の有効性を示すために,一連の数値的研究を行った。
論文 参考訳（メタデータ） (2021-03-04T23:42:14Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-05T07:06:19Z)
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。