論文の概要: Social Processes: Probabilistic Meta-learning for Adaptive Multiparty Interaction Forecasting
- arxiv url: http://arxiv.org/abs/2501.01915v1
- Date: Fri, 03 Jan 2025 17:34:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-06 15:11:15.210491
- Title: Social Processes: Probabilistic Meta-learning for Adaptive Multiparty Interaction Forecasting
- Title(参考訳): 社会的プロセス:適応型多人数インタラクション予測のための確率的メタラーニング
- Authors: Augustinas Jučas, Chirag Raman,
- Abstract要約: 社会プロセス(SP)モデルを導入し、全てのグループメンバーに対して、将来のマルチモーダルキューの分布を予測する。
また,現実的な合成データセットを用いて,SPモデルの出力および潜時空間における一般化能力を解析した。
- 参考スコア(独自算出の注目度): 3.9134031118910264
- License:
- Abstract: Adaptively forecasting human behavior in social settings is an important step toward achieving Artificial General Intelligence. Most existing research in social forecasting has focused either on unfocused interactions, such as pedestrian trajectory prediction, or on monadic and dyadic behavior forecasting. In contrast, social psychology emphasizes the importance of group interactions for understanding complex social dynamics. This creates a gap that we address in this paper: forecasting social interactions at the group (conversation) level. Additionally, it is important for a forecasting model to be able to adapt to groups unseen at train time, as even the same individual behaves differently across different groups. This highlights the need for a forecasting model to explicitly account for each group's unique dynamics. To achieve this, we adopt a meta-learning approach to human behavior forecasting, treating every group as a separate meta-learning task. As a result, our method conditions its predictions on the specific behaviors within the group, leading to generalization to unseen groups. Specifically, we introduce Social Process (SP) models, which predict a distribution over future multimodal cues jointly for all group members based on their preceding low-level multimodal cues, while incorporating other past sequences of the same group's interactions. In this work we also analyze the generalization capabilities of SP models in both their outputs and latent spaces through the use of realistic synthetic datasets.
- Abstract(参考訳): 社会的環境における人間の行動の適応予測は、人工知能の実現に向けた重要なステップである。
社会予測における既存の研究は、歩行者軌跡予測のような非集中的な相互作用や、モナディックな行動予測やダイアディックな行動予測に重点を置いている。
対照的に、社会心理学は複雑な社会力学を理解するための集団相互作用の重要性を強調している。
これは、グループ(会話)レベルでの社会的相互作用を予測することである。
さらに、同じ個人であっても異なるグループ間で異なる振る舞いをするので、予測モデルが列車時に見えないグループに適応できることも重要です。
これは、各グループのユニークなダイナミクスを明示的に考慮する予測モデルの必要性を強調します。
これを実現するために、私たちは、各グループを個別のメタ学習タスクとして扱う、人間の行動予測にメタラーニングアプローチを採用する。
その結果,本手法は群内の特定の挙動を予測し,未知の群への一般化を導いた。
具体的には,ソーシャル・プロセス(SP)モデルを導入し,先行する低レベルなマルチモーダル・キューに基づいて,グループメンバー全員の今後のマルチモーダル・キューの分布を予測し,同じグループのインタラクションの他の過去のシーケンスを組み込んだ。
本研究は,現実的な合成データセットを用いて,SPモデルの出力および潜時空間における一般化能力を解析する。
関連論文リスト
- SocialCircle+: Learning the Angle-based Conditioned Interaction Representation for Pedestrian Trajectory Prediction [10.240007698680097]
本論文は,軌道予測ネットワークにおける説明可能性と条件条件性に焦点をあてる。
本研究は, 海産動物が他の動物や水中環境をエコーロケーションで知覚し, アングルに基づく条件付き社会相互作用表現SocialCircle+を構築した。
実験は、異なる軌道予測バックボーンを持つSocialCircle+の優位性を示す。
論文 参考訳(メタデータ) (2024-09-23T13:02:12Z) - Unified Dynamic Scanpath Predictors Outperform Individually Trained Neural Models [18.327960366321655]
本研究では,ビデオ中のスキャンパスを予測するために,ディープラーニングに基づくソーシャルキュー統合モデルを構築した。
我々は,自由視聴条件下で観察された動的な社会シーンの視線に対するアプローチを評価した。
結果は、すべての観察者のスキャンパスに基づいて訓練された単一の統一モデルが、個別に訓練されたモデルよりも同等以上のパフォーマンスを示すことを示している。
論文 参考訳(メタデータ) (2024-05-05T13:15:11Z) - JRDB-Social: A Multifaceted Robotic Dataset for Understanding of Context and Dynamics of Human Interactions Within Social Groups [8.415759777703125]
JRDB-Socialは、屋内・屋外の多様な社会的文脈における人間の理解のギャップを埋める。
このデータセットは、ロボットアプリケーションのための人間の社会的ダイナミクスの把握を強化することを目的としている。
論文 参考訳(メタデータ) (2024-04-06T00:33:39Z) - Predicting the long-term collective behaviour of fish pairs with deep learning [52.83927369492564]
本研究では,魚種Hemigrammus rhodostomusの社会的相互作用を評価するための深層学習モデルを提案する。
我々は、ディープラーニングのアプローチの結果と実験結果と、最先端の分析モデルの結果を比較した。
機械学習モデルにより、ソーシャルインタラクションは、微妙な実験的観測可能な解析的相互作用と直接競合できることを実証する。
論文 参考訳(メタデータ) (2023-02-14T05:25:03Z) - Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。
チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
論文 参考訳(メタデータ) (2022-10-17T07:16:44Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳(メタデータ) (2022-07-20T13:37:57Z) - Social-DualCVAE: Multimodal Trajectory Forecasting Based on Social
Interactions Pattern Aware and Dual Conditional Variational Auto-Encoder [14.05141917351931]
マルチモーダル軌道予測のための条件付き変分自動エンコーダ(Social-DualCVAE)を提案する。
これは、過去の軌跡だけでなく、教師なしの相互作用パターンの分類にもとづく生成モデルに基づいている。
提案手法は,広く用いられているトラジェクトリ・ベンチマークで評価され,従来の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2022-02-08T16:04:47Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - Social Processes: Self-Supervised Forecasting of Nonverbal Cues in
Social Conversations [22.302509912465077]
我々は、社会的人間関係の分野におけるボトムアップな自己監督的アプローチの方向への第一歩を踏み出す。
ソーシャルキュー予測のタスクを定式化し、ラベルなしの低レベル行動キューを多量に活用する。
本稿では,ニューラル・プロセス(NP)ファミリー内における社会的に認識されるシーケンス・ツー・シーケンス(Seq2Seq)モデルを提案する。
論文 参考訳(メタデータ) (2021-07-28T18:01:08Z) - PHASE: PHysically-grounded Abstract Social Events for Machine Social
Perception [50.551003004553806]
私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。
フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。
ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
論文 参考訳(メタデータ) (2021-03-02T18:44:57Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳(メタデータ) (2020-07-07T17:19:56Z)
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。