Learning Locally Interacting Discrete Dynamical Systems: Towards Data-Efficient and Scalable Prediction

要約

伝染病の蔓延、群衆を通じた噂の伝播、森林火災など、局所的に相互作用する力学システムは、動的要素間の局所的で比較的単純で、多くの場合確率的な相互作用に起因する複雑なグローバルな力学を示します。
それらの時間的進化は、多くの場合、有限数の離散状態間の遷移によって引き起こされます。
深層学習による予測モデリングは大幅に進歩しましたが、多くの要素間のこのような相互作用が、予測モデリングの特定の領域として検討されることはほとんどありませんでした。
我々は、隣接するセル間の時間情報を順列不変の方法で関連付けることにより、未知の局所状態遷移規則を効果的に発見するための、注意再帰型ニューラルセルラーオートマトン（AR-NCA）を提案します。
AR-NCA は、さまざまなシステム構成 (つまり、状態の空間分布) にわたる優れた一般化性、確率的相互作用が存在する場合でもデータが非常に限られたシナリオでのデータ効率と堅牢性、および空間次元に依存しない予測によるスケーラビリティを示します。

要約(オリジナル)

Locally interacting dynamical systems, such as epidemic spread, rumor propagation through crowd, and forest fire, exhibit complex global dynamics originated from local, relatively simple, and often stochastic interactions between dynamic elements. Their temporal evolution is often driven by transitions between a finite number of discrete states. Despite significant advancements in predictive modeling through deep learning, such interactions among many elements have rarely explored as a specific domain for predictive modeling. We present Attentive Recurrent Neural Cellular Automata (AR-NCA), to effectively discover unknown local state transition rules by associating the temporal information between neighboring cells in a permutation-invariant manner. AR-NCA exhibits the superior generalizability across various system configurations (i.e., spatial distribution of states), data efficiency and robustness in extremely data-limited scenarios even in the presence of stochastic interactions, and scalability through spatial dimension-independent prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google