論文の概要: Agent-Centric Social Trajectory Prediction: A Free Energy Principle Perspective

• arxiv url: http://arxiv.org/abs/2605.25748v1
• Date: Mon, 25 May 2026 12:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.931139
• Title: Agent-Centric Social Trajectory Prediction: A Free Energy Principle Perspective
• Title（参考訳）: エージェント中心型社会軌道予測:自由エネルギー原則の観点から
• Authors: Yanping Wu, Ji Zhang, Hao Chen, Edmond S. L. Ho, Chongfeng Wei,
• Abstract要約: 軌道予測法は、複雑な動きパターンを捉える際、顕著な能力を示した。 FEP-Diffはフリーエネルギー原理に基づく時間的軌道予測フレームワークである。 制限された可観測性の下では、常に最先端のメソッドよりも優れています。
• 参考スコア（独自算出の注目度）: 17.546125891637125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trajectory prediction methods have demonstrated remarkable capabilities in capturing complex motion patterns. However, existing methods rely on global state assumptions, suffer from insufficient belief inference under partial observability, and lack cognitive behavioral constraints in prediction. These limitations severely compromise both deployment feasibility and physical plausibility in real-world settings. In this work, we propose FEP-Diff, an agent-centric trajectory prediction framework grounded in the Free Energy Principle, aimed at achieving cognitively plausible predictions under realistic constraints. Specifically, a dual-branch spatiotemporal encoder extracts ego-motion dynamics and social interaction cues from local observations. Building upon this, a goal-conditioned belief learner infers multimodal latent belief distributions optimized via a free-energy objective, with a social consistency constraint on the local neighborhood graph to promote cognitive alignment among neighboring agents. Finally, a residual diffusion trajectory generator is conditioned on the learned belief representations with token-level proxy conditioning, producing precise and diverse future predictions. Extensive experiments on five public benchmarks demonstrate that FEP-Diff consistently outperforms state-of-the-art methods under restricted observability. Code: https://anonymous.4open.science/r/FEP-Diff-8876.
• Abstract（参考訳）: 軌道予測法は、複雑な動きパターンを捉える際、顕著な能力を示した。 しかし、既存の手法は世界国家の仮定に依存しており、部分観測可能性の下での信念の推測が不十分であり、予測における認知行動の制約が欠如している。 これらの制限は、現実世界の設定におけるデプロイメントの実現可能性と物理的妥当性の両方を著しく損なう。 本研究では,自由エネルギー原理に基づくエージェント中心軌道予測フレームワークであるFEP-Diffを提案する。 具体的には、デュアルブランチ時空間エンコーダは、局所的な観測からエゴモーションダイナミクスと社会的相互作用の手がかりを抽出する。 これに基づいて、目標条件付き信念学習者は、近隣のエージェント間の認知的アライメントを促進するために、局所的なグラフに社会的一貫性の制約を課し、自由エネルギー目的によって最適化されたマルチモーダル潜在信念分布を推定する。 最後に、トークンレベルのプロキシ条件付き学習信念表現に残差拡散軌道生成器を条件付け、正確かつ多様な将来予測を生成する。 5つの公開ベンチマークでの大規模な実験により、FEP-Diffは制限された可観測性の下で、常に最先端の手法より優れていることが示された。 コード:https://anonymous.4open.science/r/FEP-Diff-8876。

関連論文リスト

• ESIA: An Energy-Based Spatiotemporal Interaction-Aware Framework for Pedestrian Intention Prediction [24.45524909253344]
  自動運転の最近の進歩は、歩行者の意図予測の研究を動機付けている。 既存の研究は、単純化されたマルチエージェント相互作用パターン、不透明な推論論理、グローバルな行動予測の欠如によって制約されている。 本研究では,歩行者と環境をノードとして扱うための条件ランダムフィールド(CRF)に基づくパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-04-26T14:13:58Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Efficient Thought Space Exploration through Strategic Intervention [54.35208611253168]
  本稿では,この知見を2つの相乗的コンポーネントを通して操作するHint-Practice Reasoning(HPR)フレームワークを提案する。 フレームワークの中核となる革新は、動的に介入点を識別する分散不整合低減(DIR)である。 算術的および常識的推論ベンチマークによる実験は、HPRの最先端の効率-精度トレードオフを実証している。
  論文  参考訳（メタデータ） (2025-11-13T07:26:01Z)
• Improving Counterfactual Truthfulness for Molecular Property Prediction through Uncertainty Quantification [0.6144680854063939]
  XAIの介入は、複雑なブラックボックスモデルの解釈可能性を改善することを目的としている。 分子特性予測において、反事実的説明は予測行動を理解する方法を提供する。 本研究では,不確実性の高い候補をフィルタするための不確実性推定手法の統合を提案する。
  論文  参考訳（メタデータ） (2025-04-03T14:07:30Z)
• Scene-Aware Explainable Multimodal Trajectory Prediction [15.58042746234974]
  説明可能な条件拡散に基づくマルチモーダル軌道予測(DMTP)モデルを提案する。 本モデルでは,マルチモーダルな軌道パターンを捉えるために条件拡散法を改良し,大域的特徴とシナリオ固有の特徴の意義を評価するためにシェープ値モデルを改良した。 実験により,本モデルが重要な入力の同定に優れ,精度でベースラインモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-22T08:17:33Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• 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)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• 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。