論文の概要: Simultaneous inference of environmental and interaction forces in collective dynamics

• arxiv url: http://arxiv.org/abs/2608.25181v1
• Date: Tue, 25 Aug 2026 21:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.454858
• Title: Simultaneous inference of environmental and interaction forces in collective dynamics
• Title（参考訳）: 集団力学における環境・相互作用力の同時推定
• Abstract要約: 我々は、既存の変動学習アプローチを、相互作用カーネルと環境/エージェント力の両方で集団システムに拡張する。 提案フレームワークは, 環境力の学習中に, 相互作用カーネルを非パラメトリックに推定する。 また,この非パラメトリック学習フレームワークに基づくモデル選択手法を導入し,与えられた軌道観測の集合を最適に説明するモデルを同定する。
• 参考スコア（独自算出の注目度）: 1.9215138781317194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collective dynamics arise in a wide range of physical, biological, and engineering applications. Examples include cell migration, swarm robotics, social dynamics, and animal behavior. A defining characteristic of these systems is the emergence of large-scale coordination from local interactions among agents; a fundamental question is thus to understand the local interactions that give rise to the observed emergent dynamics. We are interested in methods for learning interactions generally, which can describe a wide class of physical systems exhibiting collective dynamics defined by an interaction kernel, without a priori assumptions on the analytical form of this kernel (i.e. it is nonparametric). The advantage of this kernel-based approach is that it incorporates the underlying physics of the model (i.e. collective dynamics), which more general equation-learning approaches may ignore, potentially limiting their effectiveness for model accuracy and predictions. In this work, we extend existing variational learning approaches to collective systems with both interaction kernels and environmental/intra-agent forces. The proposed framework simultaneously infers the interaction kernel non-parametrically while learning the environmental force using either semi-parametric or fully nonparametric representations. The methodology is validated on several benchmark models exhibiting synchronization, alignment, attraction-repulsion, and external environmental forces. We also introduce a model-selection procedure based on our nonparametric learning framework to identify models that optimally explain a given set of trajectory observations. By exploiting the feature-identification capability of the learned models, the proposed procedure can distinguish among different collective dynamics frameworks and recover mechanistic interaction mechanisms directly from trajectory data.
• Abstract（参考訳）: 集合力学は、様々な物理的、生物学的、工学的な応用に現れる。 例えば、細胞移動、スウォームロボティクス、社会動態、動物行動などである。 これらのシステムの明確な特徴は、エージェント間の局所的な相互作用からの大規模な協調の出現である。 我々は、このカーネルの分析形式(つまり非パラメトリック)に先立って仮定することなく、相互作用カーネルによって定義された集合力学を示す幅広い物理系を記述できる相互作用の学習方法に興味を持っている。 このカーネルベースのアプローチの利点は、モデルの基礎となる物理学(例えば集合力学)を組み込むことであり、より一般的な方程式学習アプローチは無視される可能性があり、モデルの精度と予測の有効性を制限している。 本研究では,既存の変分学習アプローチを,相互作用カーネルと環境/エージェント力の両方で集団システムに拡張する。 提案フレームワークは, 半パラメトリックあるいは完全非パラメトリック表現を用いて環境力を学習しながら, 相互作用カーネルを非パラメトリック的に推論する。 この手法は、同期、アライメント、アトラクション・反発、および外部環境力を示すいくつかのベンチマークモデルで検証されている。 また,この非パラメトリック学習フレームワークに基づくモデル選択手法を導入し,与えられた軌道観測の集合を最適に説明するモデルを同定する。 学習したモデルの特徴識別機能を活用することで、提案手法は異なる集団動的フレームワークを区別し、軌道データから直接機械的相互作用機構を復元することができる。

関連論文リスト

• Toward a mechanistic understanding of inference in visual cortex and diffusion models [46.86106767256413]
  一次視覚野(V1)における知覚的推論モデルについて述べる。 我々は,これらのリカレントダイナミクスを,認知的スコアマッチング目標と暗黙的微分を用いて効果的に訓練する。 このモデルは、極度の視覚的あいまいさの中で、拡張輪郭のような画像の特徴を回復する、非常に優れた装飾性能を示す。
  論文  参考訳（メタデータ） (2026-07-17T07:11:57Z)
• 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)
• Connectivity structure and dynamics of nonlinear recurrent neural networks [41.038855001225826]
  ニューラルネットワークにおける接続構造が高次元集合活動をどのように形成するかを解析する理論を開発する。 単一ニューロンの活動では接続構造は見えず,集団活動は劇的に形成されている。
  論文  参考訳（メタデータ） (2024-09-03T15:08:37Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• Learning Interaction Variables and Kernels from Observations of Agent-Based Systems [14.240266845551488]
  本稿では,エージェントの軌道に沿った状態や速度の観測を前提として,相互作用カーネルが依存する変数と相互作用カーネル自体を両立させる学習手法を提案する。 これにより、高次元観測データから次元性の呪いを避ける効果的な次元削減が得られる。 我々は,本手法の学習能力を,様々な一階対話システムに示す。
  論文  参考訳（メタデータ） (2022-08-04T16:31:01Z)
• Learning Interacting Dynamical Systems with Latent Gaussian Process ODEs [13.436770170612295]
  本研究では,対話対象の連続時間力学の不確実性を考慮したモデリングを初めて行った。 我々のモデルは、独立力学と信頼性のある不確実性推定との相互作用の両方を推測する。
  論文  参考訳（メタデータ） (2022-05-24T08:36:25Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Data-driven discovery of interacting particle systems using Gaussian processes [3.0938904602244346]
  本研究では,2次相互作用粒子系における距離に基づく相互作用則の発見について検討する。 本稿では,潜在相互作用カーネル関数をガウス過程としてモデル化する学習手法を提案する。 異なる集団行動を示すシステムにおける数値的な結果から,ノイズの少ない軌道データから,我々のアプローチを効果的に学習することを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:00:53Z)

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。