論文の概要: Sim-to-Real Causal Transfer: A Metric Learning Approach to
Causally-Aware Interaction Representations
- arxiv url: http://arxiv.org/abs/2312.04540v1
- Date: Thu, 7 Dec 2023 18:57:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-08 13:34:04.216146
- Title: Sim-to-Real Causal Transfer: A Metric Learning Approach to
Causally-Aware Interaction Representations
- Title(参考訳): Sim-to-Real Causal Transfer: Causally-Aware Interaction Representationへのメトリックラーニングアプローチ
- Authors: Yuejiang Liu, Ahmad Rahimi, Po-Chien Luan, Frano Raji\v{c}, Alexandre
Alahi
- Abstract要約: エージェント相互作用の現代的表現の因果認識を詳細に検討する。
近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。
因果アノテーションを用いた潜在表現を正規化するための計量学習手法を提案する。
- 参考スコア(独自算出の注目度): 62.48505112245388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modeling spatial-temporal interactions among neighboring agents is at the
heart of multi-agent problems such as motion forecasting and crowd navigation.
Despite notable progress, it remains unclear to which extent modern
representations can capture the causal relationships behind agent interactions.
In this work, we take an in-depth look at the causal awareness of these
representations, from computational formalism to real-world practice. First, we
cast doubt on the notion of non-causal robustness studied in the recent
CausalAgents benchmark. We show that recent representations are already
partially resilient to perturbations of non-causal agents, and yet modeling
indirect causal effects involving mediator agents remains challenging. To
address this challenge, we introduce a metric learning approach that
regularizes latent representations with causal annotations. Our controlled
experiments show that this approach not only leads to higher degrees of causal
awareness but also yields stronger out-of-distribution robustness. To further
operationalize it in practice, we propose a sim-to-real causal transfer method
via cross-domain multi-task learning. Experiments on pedestrian datasets show
that our method can substantially boost generalization, even in the absence of
real-world causal annotations. We hope our work provides a new perspective on
the challenges and potential pathways towards causally-aware representations of
multi-agent interactions. Our code is available at
https://github.com/socialcausality.
- Abstract(参考訳): 周辺エージェント間の空間的時間的相互作用のモデル化は、モーション予測や群集ナビゲーションといったマルチエージェント問題の中心にある。
顕著な進歩にもかかわらず、現代の表現がエージェント相互作用の背後にある因果関係をどの程度捉えることができるのかは、まだ不明である。
本研究では,計算形式論から実世界の実践まで,これらの表現の因果意識を深く見ていく。
まず,近年のcausal robustnessベンチマークで検討した非causal robustnessの概念に疑問を投げかけた。
近年の表現は非因果的エージェントの摂動に対して部分的に弾力性があるが、仲介者エージェントによる間接的因果効果のモデル化は依然として困難である。
この課題に対処するために,潜在表現を因果的アノテーションで規則化するメトリック学習手法を提案する。
我々の制御された実験は、このアプローチが因果認識の度合いを高めるだけでなく、分布外ロバスト性も強くなることを示している。
そこで本研究では,クロスドメインマルチタスク学習によるsim-to-realcausal transfer法を提案する。
歩行者データを用いた実験により,実世界の因果アノテーションがない場合でも,本手法は一般化を著しく促進できることが示された。
我々は,マルチエージェントインタラクションの因果認識表現への課題と潜在的な経路について,新たな視点を提供することを期待している。
私たちのコードはhttps://github.com/socialcausality.comで利用可能です。
関連論文リスト
- A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
逆の例では、機械学習モデルを操作して誤った予測を行うことができます。
敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。
本研究は, 対角移動可能性の展望を考察した。
論文 参考訳(メタデータ) (2023-10-26T17:45:26Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳(メタデータ) (2023-09-30T20:59:42Z) - Neural Amortized Inference for Nested Multi-agent Reasoning [54.39127942041582]
本研究では,人間のような推論能力と計算限界のギャップを埋める新しい手法を提案する。
提案手法を2つの挑戦的マルチエージェント相互作用領域で評価する。
論文 参考訳(メタデータ) (2023-08-21T22:40:36Z) - Why Does Little Robustness Help? Understanding and Improving Adversarial
Transferability from Surrogate Training [24.376314203167016]
DNNの逆例(AE)は転送可能であることが示されている。
本稿では,敵対的伝達可能性の理解に向けてさらなる一歩を踏み出す。
論文 参考訳(メタデータ) (2023-07-15T19:20:49Z) - Simulation-Based Counterfactual Causal Discovery on Real World Driver
Behaviour [6.273003557777915]
本稿では,提案手法の3つの変種について述べる。
実世界の運転データセットから抽出した3396件の因果的シーンの観察的時間的因果的発見手法の状況に対する評価を行った。
論文 参考訳(メタデータ) (2023-06-06T02:10:20Z) - Causal Triplet: An Open Challenge for Intervention-centric Causal
Representation Learning [98.78136504619539]
Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。
この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
論文 参考訳(メタデータ) (2023-01-12T17:43:38Z) - Causal Reinforcement Learning using Observational and Interventional
Data [14.856472820492364]
環境の因果モデルを効率的に学習することは、PMDPで動作するモデルRLエージェントの重要な課題である。
学習エージェントが環境と直接対話することでオンライン体験を収集できるシナリオを考察する。
オンラインとオフラインのエクスペリエンスは、因果モデルを学ぶために安全に組み合わせられるか?
論文 参考訳(メタデータ) (2021-06-28T06:58:20Z) - Feedback in Imitation Learning: Confusion on Causality and Covariate
Shift [12.93527098342393]
我々は,過去の行動に対する条件付けが,学習者の「実行」エラーと性能の劇的な相違につながることを論じる。
我々は、模倣学習アプローチをテストするために使用される既存のベンチマークを分析する。
従来の文献とは驚くほど対照的に,行動的クローン化は優れた結果をもたらすことが判明した。
論文 参考訳(メタデータ) (2021-02-04T20:18:56Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳(メタデータ) (2020-12-06T20:30:26Z)
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。