論文の概要: Graph Switching Dynamical Systems
- arxiv url: http://arxiv.org/abs/2306.00370v1
- Date: Thu, 1 Jun 2023 06:04:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 18:00:55.297645
- Title: Graph Switching Dynamical Systems
- Title（参考訳）: グラフスイッチング力学系
- Authors: Yongtuo Liu, Sara Magliacane, Miltiadis Kofinas, and Efstratios Gavves
- Abstract要約: 動的システムを切り替えるためのグラフベースの新しいアプローチを提案する。
動的グラフを用いてオブジェクト間の相互作用を特徴付け、オブジェクト内およびオブジェクト間モード切替動作を学習する。
実験により、従来の最先端の手法を一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 23.73758249267236
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamical systems with complex behaviours, e.g. immune system cells
interacting with a pathogen, are commonly modelled by splitting the behaviour
into different regimes, or modes, each with simpler dynamics, and then learning
the switching behaviour from one mode to another. Switching Dynamical Systems
(SDS) are a powerful tool that automatically discovers these modes and
mode-switching behaviour from time series data. While effective, these methods
focus on independent objects, where the modes of one object are independent of
the modes of the other objects. In this paper, we focus on the more general
interacting object setting for switching dynamical systems, where the
per-object dynamics also depends on an unknown and dynamically changing subset
of other objects and their modes. To this end, we propose a novel graph-based
approach for switching dynamical systems, GRAph Switching dynamical Systems
(GRASS), in which we use a dynamic graph to characterize interactions between
objects and learn both intra-object and inter-object mode-switching behaviour.
We introduce two new datasets for this setting, a synthesized ODE-driven
particles dataset and a real-world Salsa Couple Dancing dataset. Experiments
show that GRASS can consistently outperforms previous state-of-the-art methods.
- Abstract（参考訳）: 複雑な行動を持つ力学系、例えば病原体と相互作用する免疫系細胞は、振る舞いを異なるレジームまたはモードに分割し、より単純なダイナミクスを持ち、あるモードから別のモードに切り替える動作を学ぶことでモデル化される。
Switching Dynamical Systems (SDS)は、時系列データからこれらのモードとモードスイッチング動作を自動的に検出する強力なツールである。
これらの方法は有効であるが、あるオブジェクトのモードが他のオブジェクトのモードとは独立している独立したオブジェクトにフォーカスする。
本稿では,オブジェクト単位のダイナミクスが他のオブジェクトとそのモードの未知で動的に変化する部分集合にも依存する動的システムの切り替えにおいて,より汎用的なオブジェクト設定に着目する。
そこで本研究では,動的グラフを用いてオブジェクト間のインタラクションを特徴付け,オブジェクト内およびオブジェクト間モード切替動作の両方を学習する,新しいグラフベースアプローチであるgraph switching dynamical systems (grass)を提案する。
我々は,この設定のための2つの新しいデータセット,合成ode駆動粒子データセットと実世界のサルサカップルダンスデータセットを紹介する。
実験により、GRASSは従来の最先端の手法よりも一貫して優れていることが示された。
関連論文リスト
- Dynamic Reconstruction of Hand-Object Interaction with Distributed Force-aware Contact Representation [52.36691633451968]
ViTaM-Dは動的手動物体相互作用再構成のための視覚触覚フレームワークである。
DF-Fieldは分散力認識型接触表現モデルである。
剛性および変形性のある物体再構成におけるViTaM-Dの優れた性能について検討した。
論文 参考訳（メタデータ） (2024-11-14T16:29:45Z) - Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。
本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。
生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - EgoGaussian: Dynamic Scene Understanding from Egocentric Video with 3D Gaussian Splatting [95.44545809256473]
エゴガウスアン(EgoGaussian)は、3Dシーンを同時に再構築し、RGBエゴセントリックな入力のみから3Dオブジェクトの動きを動的に追跡する手法である。
動的オブジェクトと背景再構築の品質の両面で,最先端技術と比較して大きな改善が見られた。
論文 参考訳（メタデータ） (2024-06-28T10:39:36Z) - DytanVO: Joint Refinement of Visual Odometry and Motion Segmentation in
Dynamic Environments [6.5121327691369615]
動的環境を扱う最初の教師付き学習ベースVO法であるDytanVOを提案する。
実世界の動的環境における最先端VOソリューションよりも平均27.7%向上した。
論文 参考訳（メタデータ） (2022-09-17T23:56:03Z) - Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。
我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
論文 参考訳（メタデータ） (2022-05-24T08:36:25Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳（メタデータ） (2022-04-09T22:07:34Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - HyperDynamics: Meta-Learning Object and Agent Dynamics with
Hypernetworks [18.892883695539002]
HyperDynamicsは、ニューラルネットワークモデルのパラメータを生成する動的メタ学習フレームワークである。
高次元の視覚観察でダイナミクスを学習することで、環境の変化に適応する既存のモデルを上回る性能を発揮します。
本手法は,個別に訓練された専門家の演奏に合致すると同時に,テスト時に未知の環境変動に対して十分に一般化できることを示す。
論文 参考訳（メタデータ） (2021-03-17T04:48:43Z) - Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。
R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。
R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
論文 参考訳（メタデータ） (2020-01-13T03:45:21Z)
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。