論文の概要: A Hierarchical Framework with Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems

• arxiv url: http://arxiv.org/abs/2401.10300v1
• Date: Thu, 18 Jan 2024 08:55:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 17:52:53.310583
• Title: A Hierarchical Framework with Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems
• Title（参考訳）: 複素適応系における創発検出のための時空間整合学習を用いた階層型フレームワーク
• Authors: Siyuan Chen, Xin Du, Jiahai Wang
• Abstract要約: 創発性(英: Emergence)は、対話エージェントによって構成される複雑な適応システムのグローバルな性質である。 本稿では,これら2つの課題を解決するために,CAS時間一貫性学習を用いた階層型フレームワークを提案する。 本手法は,従来の手法や深層学習法よりも高精度な検出を実現する。
• 参考スコア（独自算出の注目度）: 46.142041431522415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emergence, a global property of complex adaptive systems (CASs) constituted by interactive agents, is prevalent in real-world dynamic systems, e.g., network-level traffic congestions. Detecting its formation and evaporation helps to monitor the state of a system, allowing to issue a warning signal for harmful emergent phenomena. Since there is no centralized controller of CAS, detecting emergence based on each agent's local observation is desirable but challenging. Existing works are unable to capture emergence-related spatial patterns, and fail to model the nonlinear relationships among agents. This paper proposes a hierarchical framework with spatio-temporal consistency learning to solve these two problems by learning the system representation and agent representations, respectively. Especially, spatio-temporal encoders are tailored to capture agents' nonlinear relationships and the system's complex evolution. Representations of the agents and the system are learned by preserving the intrinsic spatio-temporal consistency in a self-supervised manner. Our method achieves more accurate detection than traditional methods and deep learning methods on three datasets with well-known yet hard-to-detect emergent behaviors. Notably, our hierarchical framework is generic, which can employ other deep learning methods for agent-level and system-level detection.
• Abstract（参考訳）: インタラクティブエージェントによって構成される複雑な適応システム(CAS)のグローバルな特性である創発は、例えばネットワークレベルのトラフィック混雑など、現実世界の動的システムで広く利用されている。 その形成と蒸発を検出することは、システムの状態をモニターし、有害な緊急事象の警告信号を発行するのに役立つ。 CASの集中制御器がないため、各エージェントの局部観測に基づいて出現を検出することは望ましいが困難である。 既存の作品は出現に関連する空間パターンを捉えることができず、エージェント間の非線形関係をモデル化できない。 本稿では,システム表現とエージェント表現を学習することで,これら2つの問題を解決するために,時空間整合性学習を用いた階層型フレームワークを提案する。 特に時空間エンコーダはエージェントの非線形関係とシステムの複雑な進化を捉えるように調整されている。 エージェントとシステムの表現は、固有の時空間一貫性を自己管理的に保持することにより学習される。 本手法は, 3つのデータセットにおける従来手法や深層学習法よりも高精度な検出を実現する。 特に,我々の階層型フレームワークは汎用的であり,エージェントレベルおよびシステムレベルの検出に他のディープラーニング手法を用いることができる。

関連論文リスト

• Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
  複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。 従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。 本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-05T15:20:36Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Learning Collective Behaviors from Observation [13.278752237440022]
  本稿では,力学系の構造的同定に使用される学習手法を総合的に検討する。 提案手法は,理論収束を保証するだけでなく,高次元観測データを扱う際の計算効率も保証する。
  論文  参考訳（メタデータ） (2023-11-01T22:02:08Z)
• 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)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• A Hierarchical Approach to Conditional Random Fields for System Anomaly Detection [0.8164433158925593]
  大規模システムにおける異常事象を認識する異常検出は多くの産業において重要である。 階層的なアプローチは、複雑なシステムと局所的な文脈における暗黙の関係を利用する。
  論文  参考訳（メタデータ） (2022-10-26T21:02:47Z)
• Mining Interpretable Spatio-temporal Logic Properties for Spatially Distributed Systems [0.7585262843303869]
  本稿では,時間的データに対する教師なし学習のためのアルゴリズムセットを提案する。 本手法は,複雑性決定木手法を用いて,有界記述のSTREL式を生成する。 本研究では, 都市交通, グリーンインフラストラクチャ, 大気質モニタリングなど多様な分野の事例研究におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-16T04:51:26Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)

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。