論文の概要: Learning Collective Dynamics with Differentiable Gaussian Representations

• arxiv url: http://arxiv.org/abs/2609.28405v2
• Date: Wed, 30 Sep 2026 17:06:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 04:51:24.274093
• Title: Learning Collective Dynamics with Differentiable Gaussian Representations
• Title（参考訳）: ガウス表現の微分による集団ダイナミクスの学習
• Abstract要約: 本稿では、3つのコンポーネントを通して接続を学習する微分ガウスダイナミクス(DGD)を紹介する。 KuaiRand-Pure と Online Retail II の4つの窓では、DGD は共同行動頭を用いた DeepAR 適応よりも低い関節行動陰性対数様態を達成している。
• 参考スコア（独自算出の注目度）: 5.213934941701997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collective responses depend on individual differences, contact opportunities, and accumulated experience. Learning their dynamics from aggregate counts requires connecting a population's response distribution to both current observations and future behavior. We introduce Differentiable Gaussian Dynamics (DGD), which learns this connection through three components: a Gaussian mixture representing heterogeneous response propensities, differentiable aggregation of contact intensity and behavioral probabilities, and feedback recurrence that updates subsequent responses. Reparameterized integration and temporal recurrence let aggregate prediction errors jointly train the distribution, observation functions, and feedback parameters. On four windows from KuaiRand-Pure and Online Retail II, DGD achieves lower joint behavioral negative log-likelihood than a DeepAR adaptation with a joint-behavior head. In Retail 2010, its one-day behavioral-count MAE is 4.71 versus 6.88 for this adaptation. Learning the distribution reduces behavioral negative log-likelihood by 10.82% relative to a fixed Gaussian in KuaiRand's standard-recommendation window; removing feedback dynamics raises joint KL from 0.0340 to 0.2577 in a controlled experiment. These results establish the value of learning population representations and their feedback process from aggregate observations. Code is available at https://github.com/OranAi-Ltd/oransim.
• Abstract（参考訳）: 集団的反応は個々の違い、接触機会、蓄積された経験に依存します。 集合数からそれらのダイナミクスを学習するには、人口の応答分布を現在の観察と将来の行動の両方に結びつける必要がある。 異種応答確率を表すガウス混合、接触強度と行動確率の微分可能な集約、その後の応答を更新するフィードバック再帰という3つのコンポーネントを通して、この接続を学習する微分ガウス力学(DGD)を紹介する。 再パラメータ化された統合と時間的反復により、集約予測エラーは、分布、観測機能、フィードバックパラメータを共同で訓練する。 KuaiRand-Pure と Online Retail II の4つの窓では、DGD は共同行動頭を用いた DeepAR 適応よりも低い関節行動陰性対数様態を達成している。 Retail 2010では、1日の行動数MAEは4.71対6.88である。 分布の学習は、クアイランドの標準勧告ウィンドウにおける固定されたガウシアンと比較して、振る舞いの負の対数類似度を10.82%減少させ、フィードバックのダイナミクスを除去することで、制御された実験で関節KLを0.0340から0.0577に上昇させる。 これらの結果は,集合的な観察から,集団表現の学習の価値と,そのフィードバックプロセスを確立した。 コードはhttps://github.com/OranAi-Ltd/oransimで入手できる。

関連論文リスト

• The Illusion of Intervention: Your LLM-Simulated Experiment is an Observational Study [56.649987197786096]
  大規模言語モデル(LLM)は人間の行動のシミュレータとしての可能性を示している。 LLMは潜在ユーザ属性の意図しないシフトを誘発し、ユーザのドリフトを引き起こす。 ユーザのドリフトによって生じる不確実性や選択バイアスを形式化する。
  論文  参考訳（メタデータ） (2026-05-20T06:09:41Z)
• Simpson's Paradox in Behavioral Curves: How Aggregation Distorts Parametric Models of User Dynamics [3.6406845585845846]
  我々はアグリゲーションが体系的な歪みをもたらすことを示す: 行動曲線におけるシンプソンのパラドックス。 本研究は, 個々の行動パラメータが, 差分誘引下での集合曲線から推定される場合に適用する。
  論文  参考訳（メタデータ） (2026-05-10T14:44:13Z)
• Enhancing ALS Progression Tracking with Semi-Supervised ALSFRS-R Scores Estimated from Ambient Home Health Monitoring [3.210027230758067]
  自己注意は、サブスケールレベルのモデルで最小の予測誤差を達成した。 機能領域にまたがる特異な均一性-均一性プロファイルを同定した。
  論文  参考訳（メタデータ） (2025-07-13T02:56:40Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
  本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。 ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
  論文  参考訳（メタデータ） (2024-10-21T07:24:26Z)
• Routine Clustering of Mobile Sensor Data Facilitates Psychotic Relapse Prediction in Schizophrenia Patients [2.7423978784152743]
  本研究では,連続的マルチモーダル移動センシングデータからリラプス予測タスクへの行動表現を得るために,クラスタリングモデルを開発することを目的とする。 特定されたクラスターは、患者の日常生活に関連する行動傾向と、差し迫った再発に関連する非定型的行動傾向を表わすことができる。
  論文  参考訳（メタデータ） (2021-06-22T02:27:45Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Binary Classification of Gaussian Mixtures: Abundance of Support Vectors, Benign Overfitting and Regularization [39.35822033674126]
  生成ガウス混合モデルに基づく二項線形分類について検討する。 後者の分類誤差に関する新しい非漸近境界を導出する。 この結果は, 確率が一定である雑音モデルに拡張される。
  論文  参考訳（メタデータ） (2020-11-18T07:59:55Z)
• Improving Generalization in Reinforcement Learning with Mixture Regularization [113.12412071717078]
  そこで本研究では,異なるトレーニング環境からの観察を混合してエージェントを訓練する,mixregという簡単なアプローチを提案する。 Mixregはデータの多様性をより効果的に向上し、よりスムーズなポリシーを学ぶのに役立つ。 その結果、mixregは、未確認テスト環境において確立されたベースラインを大きなマージンで上回る結果となった。
  論文  参考訳（メタデータ） (2020-10-21T08:12:03Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。