論文の概要: Heteroscedastic Diffusion for Multi-Agent Trajectory Modeling

• arxiv url: http://arxiv.org/abs/2605.10717v1
• Date: Mon, 11 May 2026 15:26:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.938733
• Title: Heteroscedastic Diffusion for Multi-Agent Trajectory Modeling
• Title（参考訳）: マルチエージェント軌道モデリングのためのヘテロセダスティック拡散
• Authors: Guillem Capellera, Antonio Rubio, Luis Ferraz, Antonio Agudo,
• Abstract要約: マルチエージェント・トラジェクトリ・モデリングは伝統的に予測に重点を置いており、トラジェクトリ・コンプリートのようなより一般的なタスクを無視することが多い。 U2Diffineはトラジェクトリ補完を実現するために構築された統一拡散モデルである。 本手法は,4つの挑戦的スポーツデータセットの軌跡完了と予測において,最先端のソリューションよりも優れる。
• 参考スコア（独自算出の注目度）: 18.081497075992406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent trajectory modeling traditionally focuses on forecasting, often neglecting more general tasks like trajectory completion, which is essential for real-world applications such as correcting tracking data. Existing methods also generally predict agents' states without offering any state-wise measure of heteroscedastic uncertainty. Moreover, popular multi-modal sampling methods lack error probability estimates for each generated scene under the same prior observations, which makes it difficult to rank the predictions at inference time. We introduce U2Diffine, a unified diffusion model built to perform trajectory completion while simultaneously offering state-wise heteroscedastic uncertainty estimates. This is achieved by augmenting the standard denoising loss with the negative log-likelihood of the predicted noise, and then propagating the latent space uncertainty to the real state space using a first-order Taylor approximation. We also propose U2Diff, a faster baseline that avoids gradient computation during sampling. This approach significantly increases inference speed, making it as efficient as a standard generative-only diffusion model. For post-processing, we integrate a Rank Neural Network (RankNN) that enables error probability estimation for each generated mode, demonstrating strong correlation with ground truth errors. Our method outperforms state-of-the-art solutions in both trajectory completion and forecasting across four challenging sports datasets (NBA, Basketball-U, Football-U, Soccer-U), underscoring the effectiveness of our uncertainty and error probability estimation.
• Abstract（参考訳）: マルチエージェント・トラジェクトリ・モデリングは伝統的に予測に重点を置いており、トラジェクトリ・コンプリートのようなより一般的なタスクを無視することが多い。 既存の手法は、通常、異端性不確実性の国家的尺度を提供することなく、エージェントの状態を予測する。 さらに, 一般的なマルチモーダルサンプリング手法では, 同じ先行観測条件下で発生した各シーンの誤差確率推定を欠いているため, 推定時刻における予測のランク付けが困難である。 U2Diffineはトラジェクトリ補完を実現するために構築された統一拡散モデルである。 これは、予測された雑音の負の対数類似度で標準的な復調損失を増大させ、次いで1次テイラー近似を用いて潜在空間の不確かさを実状態空間に伝播させることによって達成される。 また,サンプリング時の勾配計算を回避する高速なベースラインであるU2Diffを提案する。 このアプローチは推論速度を大幅に向上させ、標準生成のみの拡散モデルと同じくらい効率的にすることができる。 後処理にはRankNN(Rank Neural Network)が組み込まれ、各モードの誤差確率を推定し、基底真理誤差と強い相関を示す。 提案手法は,NBA,バスケットボール-U,サッカー-U,サッカー-Uの4つの挑戦的スポーツデータセットにおいて,トラジェクトリ完了と予測の両面で最先端のソリューションよりも優れており,不確実性とエラー確率の推定の有効性を実証している。

関連論文リスト

• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
  拡散モデルは近年,時系列予測において有望であることが示されている。 それらはしばしば最先端のポイント推定性能を達成するのに失敗する。 ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
  論文  参考訳（メタデータ） (2025-11-24T16:09:55Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Unified Uncertainty-Aware Diffusion for Multi-Agent Trajectory Modeling [13.993231805213354]
  U2Diff(英語版)は、軌道の完備化を扱うために設計された、テキストを融合した拡散モデルである。 また、後処理にランクニューラルネットワークを導入し、生成されたモード毎にtextbferror の確率推定を可能にする。 本手法は,4つの挑戦的スポーツデータセットの軌跡完了と予測において,最先端のソリューションよりも優れる。
  論文  参考訳（メタデータ） (2025-03-24T11:46:58Z)
• Robust Representation Consistency Model via Contrastive Denoising [83.47584074390842]
  ランダムな平滑化は、敵の摂動に対する堅牢性を証明する理論的保証を提供する。 拡散モデルは、ノイズ摂動サンプルを浄化するためにランダムな平滑化に成功している。 我々は,画素空間における拡散軌跡に沿った生成的モデリングタスクを,潜在空間における識別的タスクとして再構成する。
  論文  参考訳（メタデータ） (2025-01-22T18:52:06Z)
• DiffSF: Diffusion Models for Scene Flow Estimation [17.512660491303684]
  本稿では,変圧器を用いたシーンフロー推定とデノナイズ拡散モデルを組み合わせたDiffSFを提案する。 拡散過程は, 従来の手法に比べて, 予測の堅牢性を大幅に向上させることを示す。 異なる初期状態で複数回サンプリングすることにより、復調過程は複数の仮説を予測し、出力の不確実性を測定することができる。
  論文  参考訳（メタデータ） (2024-03-08T14:06:15Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。