論文の概要: Inferring Group Intent as a Cooperative Game. An NLP-based Framework for Trajectory Analysis using Graph Transformer Neural Network

• arxiv url: http://arxiv.org/abs/2510.23905v1
• Date: Mon, 27 Oct 2025 22:23:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.603199
• Title: Inferring Group Intent as a Cooperative Game. An NLP-based Framework for Trajectory Analysis using Graph Transformer Neural Network
• Title（参考訳）: グラフ変換ニューラルネットワークを用いた軌道解析のためのNLPフレームワーク
• Authors: Yiming Zhang, Vikram Krishnamurthy, Shashwat Jain,
• Abstract要約: NLPをベースとした生成モデルを用いた協調ゲームの結果として,グループ目標軌道意図について研究した。 本フレームワークでは,グループ意図を協調ゲームの特徴関数によってモデル化する。 グラフトランスフォーマーニューラルネットワーク(GTNN)を用いて,協調ゲームの特徴関数として表現された群軌道を推定する。
• 参考スコア（独自算出の注目度）: 14.890543558622996
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies group target trajectory intent as the outcome of a cooperative game where the complex-spatio trajectories are modeled using an NLP-based generative model. In our framework, the group intent is specified by the characteristic function of a cooperative game, and allocations for players in the cooperative game are specified by either the core, the Shapley value, or the nucleolus. The resulting allocations induce probability distributions that govern the coordinated spatio-temporal trajectories of the targets that reflect the group's underlying intent. We address two key questions: (1) How can the intent of a group trajectory be optimally formalized as the characteristic function of a cooperative game? (2) How can such intent be inferred from noisy observations of the targets? To answer the first question, we introduce a Fisher-information-based characteristic function of the cooperative game, which yields probability distributions that generate coordinated spatio-temporal patterns. As a generative model for these patterns, we develop an NLP-based generative model built on formal grammar, enabling the creation of realistic multi-target trajectory data. To answer the second question, we train a Graph Transformer Neural Network (GTNN) to infer group trajectory intent-expressed as the characteristic function of the cooperative game-from observational data with high accuracy. The self-attention function of the GTNN depends on the track estimates. Thus, the formulation and algorithms provide a multi-layer approach that spans target tracking (Bayesian signal processing) and the GTNN (for group intent inference).
• Abstract（参考訳）: 本研究では,NLPに基づく生成モデルを用いて,複素空間軌道をモデル化した協調ゲームの結果として,グループ目標軌道意図について検討する。 本フレームワークでは,協調ゲームの特徴関数によってグループ意図が特定され,協調ゲームにおけるプレーヤの割り当てはコア,シェープリー値,ヌクレオルスのいずれかによって決定される。 その結果のアロケーションは、グループの基本意図を反映したターゲットの座標時空間軌跡を管理する確率分布を誘導する。 1) グループ軌跡の意図を協調ゲームの特徴関数として最適に定式化するにはどうすればよいか? 2)ターゲットの騒音観測からそのような意図を推測するにはどうすればよいのか。 最初の質問に答えるために、協調ゲームにおけるフィッシャー情報に基づく特徴関数を導入し、協調した時空間パターンを生成する確率分布を生成する。 これらのパターンの生成モデルとして,形式文法に基づくNLPに基づく生成モデルを構築し,現実的なマルチターゲット軌道データの作成を可能にする。 第2の質問に答えるために、グラフトランスフォーマーニューラルネットワーク(GTNN)をトレーニングし、協調ゲームの特徴関数として表現された群軌道を高精度に予測する。 GTNNの自己アテンション関数は、トラック推定に依存する。 このように定式化とアルゴリズムは、目標追跡(ベイズ信号処理)とGTNN(グループ意図推論)にまたがる多層アプローチを提供する。

関連論文リスト

• Pre-trained Graphformer-based Ranking at Web-scale Search (Extended Abstract) [56.55728466130238]
  本稿では,変換器の回帰能力をGNNのリンク予測強度と統合することを目的とした新しいMPGrafモデルを提案する。 我々は、MPGrafの性能を厳格に評価するために、大規模なオフラインおよびオンライン実験を行っている。
  論文  参考訳（メタデータ） (2024-09-25T03:33:47Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Rethinking the positive role of cluster structure in complex networks for link prediction tasks [1.4695979686066065]
  クラスタリングは、ノードの密結合したグループを見つけるネットワーク分析における問題である。 リンク予測は、ネットワーク内の2つのノードにリンクがあるかどうかを予測することである。 単純なクラスタリング駆動型リンク予測フレームワークを構築した。
  論文  参考訳（メタデータ） (2022-11-04T12:02:40Z)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• A Graph Attention Based Approach for Trajectory Prediction in Multi-agent Sports Games [4.29972694729078]
  本研究では,複数の協調エージェントを持つチームの戦略を学習できる空間-時間軌道予測手法を提案する。 特に,グラフに基づく注意モデルを用いてエージェントの依存性を学習する。 2つの異なるスポーツゲームデータセットに対するアプローチの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-18T21:51:43Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)
• HGCN-GJS: Hierarchical Graph Convolutional Network with Groupwise Joint Sampling for Trajectory Prediction [14.57655217378212]
  本研究では,軌道予測のための階層型グラフ畳み込みネットワークHGCN-GJSを提案する。 本稿では,複数歩行者の将来の軌道における関節分布をモデル化するための新しい共同サンプリング手法を提案する。 我々は,複数の軌道予測データセット上でのネットワークの性能を実証し,検討したすべてのデータセットに対して最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-09-15T14:51:10Z)
• End-to-End 3D Multi-Object Tracking and Trajectory Forecasting [34.68114553744956]
  3次元MOTと軌道予測の統一解を提案する。 グラフニューラルネットを導入して特徴相互作用技術を採用する。 また,予測トラジェクトリの品質と多様性を向上させるために,多様性サンプリング機能を利用する。
  論文  参考訳（メタデータ） (2020-08-25T16:54:46Z)
• PTP: Parallelized Tracking and Prediction with Graph Neural Networks and Diversity Sampling [34.68114553744956]
  多物体追跡(MOT)と軌跡予測は、現代の3次元知覚システムにおいて2つの重要な要素である。 エージェントインタラクションの共有特徴表現を学習するための並列化フレームワークを提案する。 社会的に認識された特徴学習と多様性サンプリングを用いた手法は,3次元MOTにおける新しい最先端性能と軌道予測を実現する。
  論文  参考訳（メタデータ） (2020-03-17T17:53:33Z)

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。