論文の概要: Inferring Relational Potentials in Interacting Systems

• arxiv url: http://arxiv.org/abs/2310.14466v1
• Date: Mon, 23 Oct 2023 00:44:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 23:30:08.789436
• Title: Inferring Relational Potentials in Interacting Systems
• Title（参考訳）: 相互作用系における関係ポテンシャルの推論
• Authors: Armand Comas-Massagu\'e, Yilun Du, Christian Fernandez, Sandesh Ghimire, Mario Sznaier, Joshua B. Tenenbaum, Octavia Camps
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.498417950856904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Systems consisting of interacting agents are prevalent in the world, ranging from dynamical systems in physics to complex biological networks. To build systems which can interact robustly in the real world, it is thus important to be able to infer the precise interactions governing such systems. Existing approaches typically discover such interactions by explicitly modeling the feed-forward dynamics of the trajectories. In this work, we propose Neural Interaction Inference with Potentials (NIIP) as an alternative approach to discover such interactions that enables greater flexibility in trajectory modeling: it discovers a set of relational potentials, represented as energy functions, which when minimized reconstruct the original trajectory. NIIP assigns low energy to the subset of trajectories which respect the relational constraints observed. We illustrate that with these representations NIIP displays unique capabilities in test-time. First, it allows trajectory manipulation, such as interchanging interaction types across separately trained models, as well as trajectory forecasting. Additionally, it allows adding external hand-crafted potentials at test-time. Finally, NIIP enables the detection of out-of-distribution samples and anomalies without explicit training. Website: https://energy-based-model.github.io/interaction-potentials.
• Abstract（参考訳）: 相互作用エージェントからなるシステムは、物理学の力学系から複雑な生物学的ネットワークまで、世界に広く普及している。 現実世界で堅牢に相互作用できるシステムを構築するためには、そのようなシステムを管理する正確な相互作用を推測できることが重要である。 既存のアプローチは通常、軌道のフィードフォワードダイナミクスを明示的にモデル化することでそのような相互作用を発見する。 本研究では, ニューラル・インタラクション・推論(NIIP)を, トラジェクトリ・モデリングの柔軟性を高めるための代替手法として, エネルギー関数として表現された関係ポテンシャルの集合を発見し, 元のトラジェクトリを最小限に再構築する。 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。 これらの表現により、NIIPはテスト時間内にユニークな機能を示す。 第一に、別々に訓練されたモデル間での相互作用の型を交換したり、軌跡予測を行うような軌跡操作を可能にする。 さらに、テスト時に外部の手作りのポテンシャルを追加できる。 最後に、niipは、明示的なトレーニングなしで、分散サンプルや異常の検出を可能にする。 webサイト: https://energy-based-model.github.io/interaction-potentials。

関連論文リスト

• 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)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Machine learning the interaction network in coupled dynamical systems [0.0]
  相互作用する粒子の集合において、相互作用ネットワークは、様々なコンポーネントが相互にどのように相互作用するかに関する情報を含んでいる。 本研究では,対話ネットワークの回復とエージェントのダイナミクスの予測という2つの結果を達成するために,自己教師型ニューラルネットワークモデルを用いる。
  論文  参考訳（メタデータ） (2023-10-05T08:29:00Z)
• Exploiting disorder to probe spin and energy hydrodynamics [6.655372107268362]
  本稿では,局所相関関数を単一部位分解能まで測定できる新しい手法を提案する。 核スピン鎖のスピン輸送とエネルギー輸送を計測する。 興味深いことに、系が相互作用し、(ほぼ)可積分であるとき、拡散スピン輸送と弾道エネルギー輸送の共存が観察される。
  論文  参考訳（メタデータ） (2022-09-19T19:38:05Z)
• Learning Heterogeneous Interaction Strengths by Trajectory Prediction with Graph Neural Network [0.0]
  地中相互作用強度を考慮せずに連続的に重み付けされた相互作用グラフを推定するための注意関係推論ネットワーク(RAIN)を提案する。 本研究では, シミュレーションされた物理系の連続的な相互作用強度を, 教師なしの方法で正確に推定できることを述べる。
  論文  参考訳（メタデータ） (2022-08-28T09:13:33Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
  ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。 本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-25T02:15:24Z)
• Dynamic Relational Inference in Multi-Agent Trajectories [15.602689376767664]
  マルチエージェント軌道からの相互作用の推論は、物理学、ビジョン、ロボット工学に広く応用されている。 NRIは、複雑な力学における関係を、監督なしで推論できる深い生成モデルである。 我々はDYnamic Multi-Agent Relational Inference (DYARI)モデル(Dynamic Multi-Agent Relational Inference, DYnamic Multi-Agent Relational Inference, DYARI)と呼ばれる動的関係を推論できるNRIの拡張を提案する。
  論文  参考訳（メタデータ） (2020-07-16T19:15:16Z)
• Flexible Transmitter Network [84.90891046882213]
  現在のニューラルネットワークはMPモデルに基づいて構築されており、通常はニューロンを他のニューロンから受信した信号の実際の重み付け集約上での活性化関数の実行として定式化する。 本稿では,フレキシブル・トランスミッタ(FT)モデルを提案する。 本稿では、最も一般的な完全接続型フィードフォワードアーキテクチャ上に構築された、フレキシブルトランスミッタネットワーク(FTNet)について述べる。
  論文  参考訳（メタデータ） (2020-04-08T06:55:12Z)

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。