Fugu-MT 論文翻訳(概要): Diffusion model for relational inference

論文の概要: Diffusion model for relational inference

arxiv url: http://arxiv.org/abs/2401.16755v1
Date: Tue, 30 Jan 2024 05:25:02 GMT
ステータス: 処理完了
システム内更新日: 2024-01-31 16:07:29.253771
Title: Diffusion model for relational inference
Title（参考訳）: 関係推論のための拡散モデル
Authors: Shuhan Zheng, Ziqiang Li, Kantaro Fujiwara, Gouhei Tanaka
Abstract要約: 本稿では,自己教師付き準実時間計算にインスパイアされたDiffRIを提案する。 DiffRIは他の最先端モデルと比較して、教師なしの方法で真実の相互作用を発見するのに非常に有能であることを示す。
参考スコア（独自算出の注目度）: 3.095228550424885
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dynamical behaviors of complex interacting systems, including brain activities, financial price movements, and physical collective phenomena, are associated with underlying interactions between the system's components. The issue of uncovering interaction relations in such systems using observable dynamics is called relational inference. In this study, we propose a Diffusion model for Relational Inference (DiffRI), inspired by a self-supervised method for probabilistic time series imputation. DiffRI learns to infer the probability of the presence of connections between components through conditional diffusion modeling. Experiments on both simulated and quasi-real datasets show that DiffRI is highly competent compared with other state-of-the-art models in discovering ground truth interactions in an unsupervised manner. Our code will be made public soon.
Abstract（参考訳）: 脳活動、金銭的価格運動、物理的集団現象を含む複雑な相互作用系の動的挙動は、システムの構成要素間の基礎的な相互作用と関連している。可観測力学を用いたそのような系の相互作用関係を明らかにする問題は、関係推論と呼ばれる。本研究では、確率的時系列計算のための自己教師付き手法に着想を得た関係推論拡散モデル(DiffRI)を提案する。 diffriは条件付き拡散モデリングによってコンポーネント間の接続の存在確率を推測することを学ぶ。シミュレーションと準実データの両方の実験により、DiffRIは他の最先端モデルと比較して、教師なしの方法で真実の相互作用を発見する能力が高いことが示された。私たちのコードはもうすぐ公開されるでしょう。

関連論文リスト

Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-10T17:04:39Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
Inferring Relational Potentials in Interacting Systems [56.498417950856904]
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。
論文参考訳（メタデータ） (2023-10-23T00:44:17Z)
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)
Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
論文参考訳（メタデータ） (2023-04-30T19:45:04Z)
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)
On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文参考訳（メタデータ） (2022-06-09T16:24:01Z)
Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文参考訳（メタデータ） (2021-07-10T03:49:41Z)
Divide and Rule: Recurrent Partitioned Network for Dynamic Processes [25.855428321990328]
多くの動的なプロセスは、物理的システムから社会学的分析まで、相互作用する変数に関与している。我々のゴールは、部分全体階層を持つシステムを表現し、システム内変数間の暗黙の依存関係を発見することである。提案アーキテクチャは, (i) 複数のレベルにおける観測の階層的かつ時間的に一貫した表現を抽出する知覚モジュール, (ii) 各レベルにおけるニューロン間の関係性を決定する導出モジュール, (iii)時間分布推定を条件に未来を予測する統計的モジュールからなる。
論文参考訳（メタデータ） (2021-06-01T06:45:56Z)
Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
論文参考訳（メタデータ） (2020-10-13T22:45:28Z)
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)

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。