論文の概要: Performance Prediction of Hub-Based Swarms
- arxiv url: http://arxiv.org/abs/2408.04822v1
- Date: Fri, 9 Aug 2024 02:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-12 16:48:31.540606
- Title: Performance Prediction of Hub-Based Swarms
- Title(参考訳): ハブ型スワムの性能予測
- Authors: Puneet Jain, Chaitanya Dwivedi, Vigynesh Bhatt, Nick Smith, Michael A Goodrich,
- Abstract要約: ハブベースのコロニーは、ハブと呼ばれる共通の巣の場所を共有する複数のエージェントで構成されている。
本稿では、グラフベースのエンコーダと組み合わせて、集合状態の低次元表現を作成することができるグラフベースの植民地表現を提案する。
- 参考スコア(独自算出の注目度): 2.6598977668618398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A hub-based colony consists of multiple agents who share a common nest site called the hub. Agents perform tasks away from the hub like foraging for food or gathering information about future nest sites. Modeling hub-based colonies is challenging because the size of the collective state space grows rapidly as the number of agents grows. This paper presents a graph-based representation of the colony that can be combined with graph-based encoders to create low-dimensional representations of collective state that can scale to many agents for a best-of-N colony problem. We demonstrate how the information in the low-dimensional embedding can be used with two experiments. First, we show how the information in the tensor can be used to cluster collective states by the probability of choosing the best site for a very small problem. Second, we show how structured collective trajectories emerge when a graph encoder is used to learn the low-dimensional embedding, and these trajectories have information that can be used to predict swarm performance.
- Abstract(参考訳): ハブベースのコロニーは、ハブと呼ばれる共通の巣の場所を共有する複数のエージェントで構成されている。
エージェントは、食物の採餌や将来の営巣場所に関する情報収集など、ハブから離れたタスクを実行する。
ハブベースのコロニーのモデリングは、エージェントの数が増えるにつれて、集合状態空間のサイズが急速に大きくなるため、難しい。
本稿では、グラフベースのエンコーダと組み合わせて、Nのベスト・オブ・Nのコロニー問題に対して多くのエージェントにスケール可能な、集合状態の低次元表現を生成する。
低次元埋め込みの情報を2つの実験でどのように利用できるかを実証する。
まず,テンソル内の情報が集合状態のクラスタリングにどのように使用できるか,非常に小さな問題に対して最適な場所を選択する確率で示す。
第2に,グラフエンコーダを用いた低次元埋め込み学習において,構造化された集合軌道がどのように現れるかを示す。
関連論文リスト
- CollaMamba: Efficient Collaborative Perception with Cross-Agent Spatial-Temporal State Space Model [12.461378793357705]
マルチエージェント協調認識は環境のより深い理解を促進する。
協調知覚の最近の研究は、主にCNNやトランスフォーマーを用いて空間次元における特徴表現と融合を学習している。
資源効率の良い時間空間協調状態空間モデルCollaMambaを提案する。
論文 参考訳(メタデータ) (2024-09-12T02:50:04Z) - Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳(メタデータ) (2024-02-25T07:03:37Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳(メタデータ) (2024-02-03T19:00:19Z) - Reconstructing Groups of People with Hypergraph Relational Reasoning [22.440625156246494]
単眼画像から集団を再構築するために,群集の特徴を利用する。
複素および高次相関関係を定式化するために,新しいハイパーグラフリレーショナル推論ネットワークを提案する。
このアプローチは、混み合ったシナリオと一般的なシナリオの両方において、他のベースラインメソッドよりも優れています。
論文 参考訳(メタデータ) (2023-08-30T08:31:55Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳(メタデータ) (2023-08-13T18:12:28Z) - Scalable Multi-agent Covering Option Discovery based on Kronecker Graphs [49.71319907864573]
本稿では,分解が容易なマルチエージェントスキル発見法を提案する。
我々のキーとなる考え方は、合同状態空間をクロネッカーグラフとして近似することであり、そのフィドラーベクトルを直接見積もることができる。
ラプラシアンスペクトルを直接計算することは、無限大の状態空間を持つタスクには難易度が高いことを考慮し、さらに本手法の深層学習拡張を提案する。
論文 参考訳(メタデータ) (2023-07-21T14:53:12Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳(メタデータ) (2021-12-15T07:28:58Z) - Structured Graph Learning for Scalable Subspace Clustering: From
Single-view to Multi-view [28.779909990410978]
グラフベースのサブスペースクラスタリング手法は有望な性能を示した。
コストのかかる時間のオーバーヘッドに遭遇し、明示的なクラスタの探索に失敗し、見えないデータポイントに一般化することはできません。
上記の3つの課題を同時に解決しようとする,スケーラブルなグラフ学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-16T03:46:11Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳(メタデータ) (2020-04-01T13:39:37Z) - Multi-Scale Representation Learning for Spatial Feature Distributions
using Grid Cells [11.071527762096053]
本研究では,位置の絶対位置と空間的関係を符号化するスペース2Vecという表現学習モデルを提案する。
その結果、Space2Vecはマルチスケール表現のため、確立されたMLアプローチよりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-02-16T04:22:18Z)
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。