論文の概要: JACoP: Joint Alignment for Compliant Multi-Agent Prediction

• arxiv url: http://arxiv.org/abs/2605.11385v1
• Date: Tue, 12 May 2026 01:15:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.508445
• Title: JACoP: Joint Alignment for Compliant Multi-Agent Prediction
• Title（参考訳）: JACoP: 完全マルチエージェント予測のための関節アライメント
• Authors: Qingze Liu, Alen Mrdovic, Danrui Li, Mathew Schwartz, Sejong Yoon, Mubbasir Kapadia,
• Abstract要約: 生成モデルを用いたHTP(Human Trajectory Prediction)が重要な研究領域として浮上している。 JACoP:Joint Alignment for Compliant Multi-Agent Predictionは、シーンレベルの妥当性を保証する革新的なマルチステージフレームワークである。 我々は,JACoPが競争の正確性を達成するだけでなく,環境違反と社会衝突の両面での新たな基準を定めていることを示す。
• 参考スコア（独自算出の注目度）: 6.636752399085556
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stochastic Human Trajectory Prediction (HTP) using generative modeling has emerged as a significant area of research. Although state-of-the-art models excel in optimizing the accuracy of individual agents, they often struggle to generate predictions that are collectively compliant, leading to output trajectories marred by social collisions and environmental violations, thus rendering them impractical for real-world applications. To bridge this gap, we present JACoP: Joint Alignment for Compliant Multi-Agent Prediction, an innovative multi-stage framework that ensures scene-level plausibility. JACoP incorporates an Anchor-Based Agent-Centric Profiler for effective initial compliance filtering and employs a Markov Random Field (MRF) based aligner to formalize the joint selection for scene predictions. By representing inter-agent spatial and social costs as MRF energy potentials, we successfully infer and sample from the joint trajectory distribution, achieving prediction with optimal scene compliance. Comprehensive experiments show that JACoP not only achieves competitive accuracy, but also sets a new standard in reducing both environmental violations and social collisions, thereby confirming its ability to produce collectively feasible and practically applicable trajectory predictions.
• Abstract（参考訳）: 生成モデルを用いた確率的人軌道予測(HTP)が重要な研究領域として浮上している。 最先端のモデルは、個々のエージェントの精度を最適化するのに優れているが、それらはしばしば、集合的に準拠する予測を生成するのに苦労し、社会的衝突や環境違反によって汚染された軌道を出力する。 このギャップを埋めるために、私たちはJACoP: Joint Alignment for Compliant Multi-Agent Predictionという、シーンレベルの妥当性を保証する革新的なマルチステージフレームワークを紹介します。 JACoPは、効果的な初期コンプライアンスフィルタリングのためにアンカーベースのエージェント中心プロファイラを組み込み、マルコフランダムフィールド(MRF)ベースの整列器を用いてシーン予測のための共同選択を形式化する。 MRFエネルギーポテンシャルとしてエージェント間空間費用と社会的コストを表現することにより、最適なシーンコンプライアンスで予測を達成し、関節軌道分布からの推測とサンプリングに成功した。 総合的な実験により、JACoPは競争の正確さを達成できるだけでなく、環境違反と社会衝突の双方を減らすための新しい基準を定めている。

関連論文リスト

• Gaussian Joint Embeddings For Self-Supervised Representation Learning [0.0]
  自己パラメトリック表現学習は、しばしば決定論的予測アーキテクチャに頼り、潜在空間におけるコンテキストとターゲットビューを整列させる。 生成的関節モデルに基づく確率的代替案を提案する。
  論文  参考訳（メタデータ） (2026-03-26T00:54:54Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• Copula-Based Aggregation and Context-Aware Conformal Prediction for Reliable Renewable Energy Forecasting [15.641461394573499]
  本稿では,現場レベルの確率予測を信頼性の高い艦隊レベルの予測に変換する確率集約フレームワークを提案する。 このフレームワークは、コプラに基づく依存モデルを統合し、コンテキスト・アウェア・コンフォーマル予測(CACP)とクロスサイト相関をキャプチャし、集約されたレベルでの誤校正を補正する。
  論文  参考訳（メタデータ） (2026-01-31T17:51:01Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Generative Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
  コンフォーマル予測は、保証されたカバレッジでモデルに依存しない不確実性定量化を提供する。 ベクトル化された非整合性スコアを持つ生成共形予測フレームワークを提案する。 我々は密度ランクの不確かさ球を用いた適応不確かさ集合を構築する。
  論文  参考訳（メタデータ） (2024-10-17T16:37:03Z)
• Conformal Off-Policy Prediction for Multi-Agent Systems [6.32674891108819]
  オフポリシィ予測(OPP)は、安全クリティカルシステムのデータ駆動分析における最重要課題である。 マルチエージェントシステムに関わるOPP問題を解くための最初の共形予測手法であるMA-COPPを紹介する。 MA-COPPの重要な貢献は、エージェント軌道の出力空間の列挙や徹底的な探索を避けることである。
  論文  参考訳（メタデータ） (2024-03-25T15:37:43Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。