Fugu-MT 論文翻訳(概要): Structural Inference under Hidden Agents

論文の概要: Structural Inference under Hidden Agents

arxiv url: http://arxiv.org/abs/2609.18045v1
Date: Wed, 16 Sep 2026 02:45:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.615574
Title: Structural Inference under Hidden Agents
Title（参考訳）: 隠れエージェントによる構造推定
Abstract要約: 軌道に基づく構造推論は有望な結果を得たが、従来の定式化では、すべてのモデル化されたエージェントの軌道が利用可能であると仮定されている。既存の研究では、未確認ノードの推定、部分的な観測による構造的推測、および欠落値の計算が検討されている。我々はこの問題を隠蔽剤による構造推論として定式化する。
参考スコア（独自算出の注目度）: 9.734309279937236
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recovering latent interaction structures from multi-agent dynamics is important for understanding and predicting interacting systems. Trajectory-based structural inference has achieved promising performance, but conventional formulations assume that the trajectories of all modeled agents are available. In practice, agents may become unobserved at deployment because of limited sensing, occlusion, or communication failure. Existing studies have considered unseen-node estimation, structural inference under partial observations, and missing-value imputation, yet the joint recovery of hidden-agent trajectories and their interactions remains underexplored. We formulate this problem as structural inference under hidden agents. Its key difficulty is a circular dependency: recovering interactions involving a hidden agent requires an estimate of its trajectory, while trajectory reconstruction can itself benefit from structural information. To address this challenge, we propose Structural Inference under Hidden Agents (SIHA), which combines structure-agnostic initialization with structure-guided iterative refinement. SIHA reconstructs hidden trajectories from visible observations, infers interactions using Neural Relational Inference, and feeds the estimated structure back into hidden-state reconstruction through multi-strength structural attention and iterative state--structure updates. Experiments on three benchmark dynamical systems demonstrate consistent improvements in visible-to-visible structural inference, while also showing benefits in hidden-state reconstruction and future prediction. Motion-capture experiments with simulated whole-limb occlusion further demonstrate its effectiveness in realistic hidden-agent settings.
Abstract（参考訳）: 多エージェント力学から潜在相互作用構造を復元することは、相互作用するシステムの理解と予測に重要である。軌道に基づく構造推論は有望な性能を達成したが、従来の定式化では、すべてのモデル化されたエージェントの軌道が利用可能であると仮定されている。実際には、エージェントは、限られた感知、閉塞、または通信障害のため、デプロイ時に監視されない可能性がある。既存の研究では、未確認ノードの推定、部分的な観測による構造的推測、そして欠落値の計算が検討されているが、隠れエージェントの軌道とそれらの相互作用のジョイントリカバリは未解明のままである。我々はこの問題を隠蔽剤による構造推論として定式化する。隠れたエージェントとの相互作用を回復するには、その軌道を推定する必要があるが、軌道再構成自体が構造情報から恩恵を受けることができる。この課題に対処するために、構造に依存しない初期化と構造誘導反復精製を組み合わせた隠れエージェント(SIHA)に基づく構造推論を提案する。 SIHAは、可視光から隠れた軌跡を再構築し、ニューラルリレーショナル推論を用いて相互作用を推論し、推定された構造を多強度構造注意と反復的な状態構造更新を通じて隠れた状態再構築にフィードバックする。 3つのベンチマーク力学系の実験は、可視・可視構造推論の一貫性の向上と、隠れ状態の再構築と将来の予測の利点を示している。シミュレーションされた全肢閉塞によるモーションキャプチャ実験は、現実的な隠れエージェント設定におけるその効果をさらに証明している。

関連論文リスト

Ontology-Driven Structural Regularization for Document-Level Relation Extraction [3.370733427756227]
我々は,重畳関係における構造的不整合に,重要で見落とされがちなノイズ源が存在することを示す。本稿では,DocREデータセットの構造的一貫性を定量化し,強制するオントロジー駆動フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-21T08:22:42Z)
Unleashing Multimodal Large Language Models for Training-free HOI Detection in the Wild [49.77540427384148]
本稿では,基礎モデルの汎用的マルチモーダル推論能力を野生でのHOI検出に伝達する,訓練不要なエージェント型フレームワークであるAgenHoIを提案する。不完全な相互作用発見と複雑な場面におけるあいまいな局所化の課題に対処するために,2つの重要なメカニズムを導入する。 AgentHOIは、リアルタイム設定において、最先端の教師付きおよび弱教師付きメソッドよりも優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2026-07-15T14:30:20Z)
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)
Semantic Feature Segmentation for Interpretable Predictive Maintenance in Complex Systems [36.94429692322632]
本研究では,監視対象の機能空間を標準コンポーネントに分解するセグメンテーションフレームワークを提案する。標準空間は、複数の時間的構成をまたいだ残留空間よりも予測リスクが低いことを示す。これらの結果は,意味的特徴分節化が監視信号の解釈および情報遅延分解をもたらすことを示唆している。
論文参考訳（メタデータ） (2026-05-14T03:29:37Z)
Large Vision-Language Models Get Lost in Attention [51.851592109135716]
本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
論文参考訳（メタデータ） (2026-05-07T04:45:52Z)
Partially Observed Structural Causal Models [4.065430726803998]
部分観測構造因果モデル(POSCM)を紹介する。 POSCMは、潜在コンテキストが観測変数上の相互作用構造と下流機構の両方を共決定する因果系を定式化する。我々は、介入ファミリーが構造形成をメカニズムから切り離すのに十分であることを示す識別可能性理論を提供する。
論文参考訳（メタデータ） (2026-05-05T01:40:14Z)
From Intent to Evidence: A Categorical Approach for Structural Evaluation of Deep Research Agents [25.080554451314683]
深層研究エージェント(DRA)は、複雑な情報合成のための有望なパラダイムとして登場した。我々は、DRAの挙動を圏論のレンズを通して形式化し、構造保存マップの合成として深層研究ワークフローをモデル化する。エージェントを4つの解釈可能な軸に沿ってストレステストするために設計された296の質問を持つメカニズム認識ベンチマークを導入する。
論文参考訳（メタデータ） (2026-03-26T11:37:26Z)
Emergent Structured Representations Support Flexible In-Context Inference in Large Language Models [77.98801218316505]
大型言語モデル(LLM)は、人間のような推論を示唆する創発的な行動を示す。テキスト内概念推論におけるLLMの内部処理について検討する。
論文参考訳（メタデータ） (2026-02-08T03:14:39Z)
On Evolution-Based Models for Experimentation Under Interference [7.262048441360133]
我々は、介入に応じて観察ラウンド間で結果がどのように変化するかを研究する進化に基づくアプローチについて研究する。我々は、この手法のインスタンス化として、高密度ネットワークにおける因果メッセージパッシングを強調した。このアプローチの限界について議論し、強い時間的傾向や内因性干渉が識別を損なう可能性があることを示す。
論文参考訳（メタデータ） (2025-11-26T18:53:46Z)
Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文参考訳（メタデータ） (2020-06-19T21:04:47Z)
Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。