Fugu-MT 論文翻訳(概要): Learning Interaction Kernels from Collective Steady States

論文の概要: Learning Interaction Kernels from Collective Steady States

arxiv url: http://arxiv.org/abs/2609.12004v2
Date: Wed, 16 Sep 2026 04:39:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.380321
Title: Learning Interaction Kernels from Collective Steady States
Title（参考訳）: 集合定常状態からの相互作用カーネルの学習
Abstract要約: 本稿では,粒子系の相互作用におけるシステム同定のための学習手法を提案する。本研究では,定常および準定常パターンを持つ多種多様なモデルを用いて,相互作用機構に関する暗黙的な情報を包含する学習手順をテストする。
参考スコア（独自算出の注目度）: 4.349345557804093
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a learning procedure for system identification in interacting particle systems from single-snapshot observations of collective behaviors, unlike existing approaches that rely on observations of trajectories. This setting leads to a fundamentally ill-posed inverse problem, which we solve by using a regularization strategy based on the empirical distribution of observed configurations, drawn from different, unobserved initial conditions. We test our learning procedure on a variety of representative models with steady-state and quasi-stationary patterns, where collective behaviors encode implicit information about the interaction mechanisms, demonstrating that our approach enables stable and accurate recovery of the underlying interaction laws, leading to faithful reproduction of the collective behavior, and in many cases even of the dynamics leading up to it.
Abstract（参考訳）: 本研究では, 粒子の挙動を単発的に観察することで, 相互作用する粒子系を同定する学習手法を提案する。この設定は、観測された構成の経験的分布に基づく正規化戦略を用いて、異なる観測されていない初期条件から引き出された、根本的な不適切な逆問題をもたらす。そこでは, 相互作用のメカニズムに関する暗黙的な情報を符号化し, 本手法が基礎となる相互作用法則の安定的かつ正確な回復を可能にし, 集団行動の忠実な再現につながることを示す。

関連論文リスト

Simultaneous inference of environmental and interaction forces in collective dynamics [1.9215138781317194]
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。
論文参考訳（メタデータ） (2026-08-25T21:55:12Z)
Learning to Watch: Active Video Anomaly Understanding via Interleaved Policy Optimization [56.150184676745205]
ビデオ異常理解(VAU)は、スパースでコンテキストに依存した手がかりに依存している。本稿では,映像理解をアクティブな逐次意思決定プロセスとして再認識するクローズドループフレームワークである$Anomtext-$を提案する。人間のビデオレビュー行動に触発されたこのフレームワークは、内部の認知的推論と戦略的エビデンスを、インターリーブされたポリシーに統一する。
論文参考訳（メタデータ） (2026-07-01T08:41:49Z)
K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。提案手法はシミュレーションと実世界の応用を通して評価する。
論文参考訳（メタデータ） (2026-05-14T13:35:44Z)
Variational Contrastive Learning for Skeleton-based Action Recognition [1.5819414178363573]
本稿では,潜在確率モデルと対照的自己教師型学習を統合した変動型コントラスト学習フレームワークを提案する。この定式化は、異なるデータセットと監督レベルにまたがって一般化される構造化および意味論的意味のある表現の学習を可能にする。
論文参考訳（メタデータ） (2026-01-12T15:45:40Z)
Regularized Neural Ensemblers [55.15643209328513]
本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
論文参考訳（メタデータ） (2024-10-06T15:25:39Z)
Learning Collective Behaviors from Observation [13.278752237440022]
本稿では,力学系の構造的同定に使用される学習手法を総合的に検討する。提案手法は,理論収束を保証するだけでなく,高次元観測データを扱う際の計算効率も保証する。
論文参考訳（メタデータ） (2023-11-01T22:02:08Z)
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)
Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文参考訳（メタデータ） (2021-11-29T18:59:09Z)
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)
Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文参考訳（メタデータ） (2020-10-27T13:17:18Z)

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。