論文の概要: Swarm-Inspired Generation of Collective Behaviors in Graph Dynamical Systems
- arxiv url: http://arxiv.org/abs/2606.24958v1
- Date: Tue, 23 Jun 2026 08:53:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.070581
- Title: Swarm-Inspired Generation of Collective Behaviors in Graph Dynamical Systems
- Title（参考訳）: グラフ力学系におけるSwarm-Inspired Generation of Collective Behaviors
- Authors: Ji Chen, Song Chen, Chengzhang Gong, Li Fan, Chao Xu,
- Abstract要約: Swarm-Inspired Emergent Synchronizer (SIES) は、制御可能な集団組織のための一般化可能な局所的相互作用法則を学習するグラフ力学フレームワークである。
同期制御のために、SIESは、訓練されていないネットワークスケールでCDSの所定の同期パターンを生成する一般化可能な結合演算子を学習する。
グラフ表現学習では、SIESはメッセージパッシングに同じ署名された相互作用原理を適用し、最高性能を達成する。
- 参考スコア（独自算出の注目度）: 8.850868913618562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collective behavior arises when locally interacting units produce coordinated global organization, from synchronization in dynamical systems to task-relevant information flow on graphs. The central challenge is not only to explain how collective behavior emerges, but to design local interaction rules that can produce desired global organization and generalize across graphs, dynamics and tasks.To address this challenge, we introduce the Swarm-Inspired Emergent Synchronizer (SIES), a graph-dynamical framework that learns generalizable local-interaction laws for controllable collective organization. Each node is an agent-like dynamical unit with a state and task cue, and signed source-target-conditioned attention acts as an adaptive coupling term inside an explicit evolution model. Therefore, SIES combines an explicit dynamical engine with local agent intelligence, similar to biological swarms. For synchronization control, SIES learns a generalizable coupling operator that produces prescribed synchronization patterns for CDSs across untrained network scales, target phase relations, and intrinsic node dynamics without retraining. The learned operator also reaches gait-related modes faster than three oscillator baselines and generalizes synchronization-driven locomotion to simulated multi-legged robots of different scales and a physical hexapod after leg disablement. For graph representation learning, SIES applies the same signed interaction principle to message passing and achieves the highest performance among the compared methods on heterophilous node-classification benchmarks. Together, these results position SIES as a generalizable and learnable graph-dynamical interaction framework with promise for synchronization control, adaptive robot coordination, and heterophilous graph representation learning.
- Abstract（参考訳）: 局所的相互作用ユニットは、動的システムの同期からグラフ上のタスク関連情報フローまで、協調したグローバルな組織を生成する。
中心的な課題は、集団行動がどのように出現するかを説明するだけでなく、望ましいグローバルな組織を作り、グラフ、ダイナミクス、タスクをまたいで一般化できる局所的な相互作用ルールを設計することである。この課題に対処するために、制御可能な集団組織のための一般化可能な局所的相互作用法則を学ぶグラフ力学フレームワークであるSwarm-Inspired Emergent Synchronizer (SIES)を紹介します。
各ノードは状態とタスクキューを持つエージェントのような動的ユニットであり、署名されたソース・ターゲット条件付き注意は明示的な進化モデル内の適応的結合項として機能する。
したがって、SIESは明示的なダイナミックエンジンと局所的なエージェントインテリジェンスを組み合わせる。
同期制御のために、SIESは、トレーニングされていないネットワークスケール、ターゲット位相関係、再トレーニングなしの固有のノードダイナミクスにまたがるCDSの所定の同期パターンを生成する一般化可能な結合演算子を学習する。
学習者は3つの発振器ベースラインよりも早く歩行関連モードに到達し、異なるスケールの模擬多足ロボットと足の障害後の物理的な六足歩行に同期駆動の移動を一般化する。
グラフ表現学習において、SIESはメッセージパッシングに同じ符号付き相互作用原理を適用し、異種ノード分類ベンチマークで比較した手法の中で最高性能を達成する。
これらの結果は、SIESを、同期制御、適応ロボット協調、異種グラフ表現学習を約束する一般化可能かつ学習可能なグラフ-力学相互作用フレームワークとして位置づける。
関連論文リスト
- Topological Neural Dynamics: A Neuron-wise Framework for Sequence Modeling [55.07411490538404]
トポロジカル・ニューラル・ダイナミクス(TND)は、トポロジカル・ニューラル・ダイナミクス(英語版) (TND) が階層的からニューロン的へと変化するシーケンス・モデリング・フレームワークである。
TNDは神経系を、有向ニューロングラフ、相互作用演算子、局所力学関数として表す。
我々はTNDをシングルプレイヤーPongにおける行動クローニングタスクのケーススタディとして評価した。
論文 参考訳（メタデータ） (2026-06-19T10:18:24Z) - BEHAVE: A Hybrid AI Framework for Real-Time Modeling of Collective Human Dynamics [0.0]
既存のAIシステムは、グループを安定させるか、エスカレーションやブレークダウンに移行するかを判断する集合的ダイナミクスを捉えていない。
相互作用空間上で定義された連続挙動場として集合力学をモデル化する形式的フレームワークであるBEHAVEを紹介する。
再検討された同じ分野は、群衆の安全、危機チームダイナミクス、教育、臨床状況に適用できる。
論文 参考訳（メタデータ） (2026-05-12T20:32:02Z) - Krause Synchronization Transformers [63.8469912831803]
トランスフォーマーにおける自己注意は、グローバルに正規化されたソフトマックスの重みに依存しており、すべてのトークンがすべての層で影響を競う。
クラーズ・アテンション(Krause Attention)は、有界信頼コンセンサス・ダイナミクスにインスパイアされた注意機構である。
論文 参考訳（メタデータ） (2026-02-12T03:47:53Z) - Kuramoto Orientation Diffusion Models [67.0711709825854]
指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。
生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。
一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
論文 参考訳（メタデータ） (2025-09-18T18:18:49Z) - Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。
グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。
Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
論文 参考訳（メタデータ） (2025-09-02T22:17:25Z) - Synchronization Dynamics of Heterogeneous, Collaborative Multi-Agent AI Systems [0.0]
本稿では,同期理論とマルチエージェントAIシステムを橋渡しする新たな学際的枠組みを提案する。
我々は,複雑なタスク実行に関わる異種AIエージェントの集合力学を記述するために,倉本モデルを適用した。
論文 参考訳（メタデータ） (2025-08-17T10:16:41Z) - Discovering group dynamics in coordinated time series via hierarchical recurrent switching-state models [5.250223406627639]
我々は、複数の相互作用する実体(つまり「エージェント」)から生じる時系列の集合に対する計算学的に効率的なモデルを求める。
個人間の時間パターンの最近のモデルでは、個々の実体の軌跡に影響を与える可能性のある明示的なシステムレベルの集団行動が組み込まれていない。
我々は、遅延系レベル離散状態マルコフ連鎖を用いて、遅延系レベルチェーンにトップダウンの影響を与え、各観測時系列の排出を制御している。
論文 参考訳（メタデータ） (2024-01-26T16:06:01Z) - Networks' modulation: How different structural network properties affect
the global synchronization of coupled Kuramoto oscillators [0.0]
同期は、異なる振動物体が互いに相互作用するときにリズムを調整するときに起こる。
本稿では,Fully-Connected,Random,Regular ring graph,Small-World,Scale-Freeなどのネットワークアーキテクチャの影響について検討する。
我々の主な発見は、スケールフリーおよびランダムネットワークにおいて、固有ベクトル中心性と平均最短経路長に基づく洗練されたノードの選択が、より高い同期性を達成するための体系的な傾向を示すことである。
論文 参考訳（メタデータ） (2023-02-24T13:21:58Z)
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。