論文の概要: Discovering group dynamics in coordinated time series via hierarchical recurrent switching-state models

• arxiv url: http://arxiv.org/abs/2401.14973v2
• Date: Mon, 02 Dec 2024 17:35:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 16:56:32.953366
• Title: Discovering group dynamics in coordinated time series via hierarchical recurrent switching-state models
• Title（参考訳）: 階層的リカレントスイッチング状態モデルによる協調時系列中の群ダイナミクスの発見
• Authors: Michael T. Wojnowicz, Kaitlin Gili, Preetish Rath, Eric Miller, Jeffrey Miller, Clifford Hancock, Meghan O'Donovan, Seth Elkin-Frankston, Tad T. Brunyé, Michael C. Hughes,
• Abstract要約: システムレベルと個別レベルのダイナミクスを学習するために、教師なしの方法でトレーニングできる新しいスイッチング状態モデルを提案する。 我々は、遅延系レベルの離散状態マルコフ連鎖を用いて、遅延系レベルの連鎖にトップダウンの影響を与え、各観測時系列の放出を制御している。
• 参考スコア（独自算出の注目度）: 5.250223406627639
• License:
• Abstract: We seek a computationally efficient model for a collection of time series arising from multiple interacting entities (a.k.a. "agents"). Recent models of spatiotemporal patterns across individuals fail to incorporate explicit system-level collective behavior that can influence the trajectories of individual entities. To address this gap in the literature, we present a new hierarchical switching-state model that can be trained in an unsupervised fashion to simultaneously learn both system-level and individual-level dynamics. We employ a latent system-level discrete state Markov chain that provides top-down influence on latent entity-level chains which in turn govern the emission of each observed time series. Recurrent feedback from the observations to the latent chains at both entity and system levels allows recent situational context to inform how dynamics unfold at all levels in bottom-up fashion. We hypothesize that including both top-down and bottom-up influences on group dynamics will improve interpretability of the learned dynamics and reduce error when forecasting. Our hierarchical switching recurrent dynamical model can be learned via closed-form variational coordinate ascent updates to all latent chains that scale linearly in the number of entities. This is asymptotically no more costly than fitting a separate model for each entity. Analysis of both synthetic data and real basketball team movements suggests our lean parametric model can achieve competitive forecasts compared to larger neural network models that require far more computational resources. Further experiments on soldier data as well as a synthetic task with 64 cooperating entities show how our approach can yield interpretable insights about team dynamics over time.
• Abstract（参考訳）: 複数の相互作用する実体(つまり「エージェント」)から生じる時系列の集合に対する計算効率の良いモデルを求める。 個人間の時空間パターンの最近のモデルでは、個々の実体の軌跡に影響を与える可能性のある明示的なシステムレベルの集団行動が組み込まれていない。 文献のこのギャップに対処するため,システムレベルと個人レベルのダイナミクスを同時に学習するために,教師なしでトレーニング可能な階層型切替状態モデルを提案する。 我々は、遅延系レベル離散状態マルコフ連鎖を用いて、遅延系レベルチェーンにトップダウンの影響を与え、各観測時系列の排出を制御している。 観測結果から、エンティティレベルとシステムレベルの両方における潜在チェーンへの繰り返しのフィードバックは、最近の状況によって、ボトムアップ方式のすべてのレベルにおいて、動的がどのように展開するかを知らせることができます。 グループダイナミクスに対するトップダウンとボトムアップの両方の影響を含めると、学習力学の解釈性が向上し、予測時にエラーが減少する、という仮説を立てる。 我々の階層的スイッチング・リカレント力学モデルは、エンティティ数で線形にスケールする全ての潜在鎖に対する閉形式変動座標昇華更新によって学習することができる。 これは、各エンティティに別々のモデルを適用するのと同じくらい、漸近的にコストがかからない。 合成データと実際のバスケットボールチームの運動の両方の分析から、我々のリーンパラメトリックモデルは、はるかに多くの計算資源を必要とする大規模なニューラルネットワークモデルと比較して、競争力のある予測を達成できることが示唆されている。 兵士データに関するさらなる実験と、64の協力するエンティティによる合成タスクは、我々のアプローチが時間とともにチームのダイナミクスに関する解釈可能な洞察をいかに得られるかを示しています。

関連論文リスト

• Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data [6.3128614613706295]
  単一ドメインの動的特性を維持しつつ,グループレベル(複数ドメイン)情報を効率的に取得する方法を示す。 全ての動的状態の忠実な再構築に加えて、我々の教師なし方法論は共通の低次元特徴空間を発見する。
  論文  参考訳（メタデータ） (2024-10-07T07:54:53Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Neural Persistence Dynamics [8.197801260302642]
  時間発展する点雲のトポロジにおける力学を学習する問題を考察する。 提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
  論文  参考訳（メタデータ） (2024-05-24T17:20:18Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
  状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。 状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。 時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
  論文  参考訳（メタデータ） (2021-10-26T17:35:21Z)
• Variational Predictive Routing with Nested Subjective Timescales [1.6114012813668934]
  本稿では,時間的階層に潜む映像の特徴を整理するニューラル推論システムである変動予測ルーティング(PRV)を提案する。 VPRはイベント境界を検出し、時間的特徴を分散させ、データの動的階層に適応し、未来の正確な時間に依存しないロールアウトを生成することができることを示す。
  論文  参考訳（メタデータ） (2021-10-21T16:12:59Z)
• Chaos as an interpretable benchmark for forecasting and data-driven modelling [7.6146285961466]
  カオスシステムは、現代の統計的学習技術に固有の課題を生んでいる。 本稿では,天体物理学,気候学,生化学などの分野にまたがるカオス力学系131のデータベースについて述べる。
  論文  参考訳（メタデータ） (2021-10-11T13:39:41Z)
• Modeling Regime Shifts in Multiple Time Series [1.4588552933974936]
  レジームシフト(Regime shift)とは、時系列によって異なる時間間隔で表される変動行動を指す。 既存の手法では、時系列間の関係を考慮に入れず、複数の時系列における状態の発見に失敗する。 既存のメソッドのほとんどは、統一されたフレームワークでこれらの3つの問題すべてを扱うことができません。
  論文  参考訳（メタデータ） (2021-09-20T17:02:29Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Learning Temporal Dynamics from Cycles in Narrated Video [85.89096034281694]
  時が経つにつれて世界がどのように変化するかをモデル化する学習問題に対する自己監督型ソリューションを提案します。 私たちのモデルは、前方および後方の時間を予測するためにモダリティに依存しない関数を学習します。 将来的な動作の予測や画像の時間的順序付けなど,様々なタスクに対して,学習されたダイナミクスモデルを適用する。
  論文  参考訳（メタデータ） (2021-01-07T02:41:32Z)

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。