Relational Reasoning On Graphs Using Opinion Dynamics

要約

歩行者から倉本振動子に至るまで、エージェント間の相互作用は、多数の動的システムが空間と時間でどのように進化するかを決定します。
これらのエージェントが互いにどのように関係しているかを発見すると、これらのシステムの根底にある複雑なダイナミクスについての理解が深まります。
最近の研究では、エージェント間の物理的行動の観察に基づいてエージェント間の関係を分類することを学習しています。
これらのアプローチは、現実世界のシステムではカテゴリが相互作用することが多いのに、関係カテゴリが独立かつ相互に排他的なものとしてモデル化されるという点で制限されます。
この研究では、エージェントの物理的な動作とその動作を定義するカテゴリの間に抽象化レベルを導入します。
これを行うために、グラフ ニューラル ネットワーク内の各カテゴリに対するエージェントの状態からその親和性へのマッピングを学習します。
私たちは、エージェントの物理的近接性とその親和性を非線形意見力学モデルに統合します。このモデルは、相互に排他的なカテゴリを識別し、エージェントの経時的進化を予測し、エージェントの行動を制御するメカニズムを提供します。
私たちは、機械システムの解釈可能なカテゴリを学習するためのモデルの有用性を実証し、既存の方法を一貫して上回るいくつかの長期軌道予測ベンチマークでその有効性を実証します。

要約(オリジナル)

From pedestrians to Kuramoto oscillators, interactions between agents govern how a multitude of dynamical systems evolve in space and time. Discovering how these agents relate to each other can improve our understanding of the often complex dynamics that underlie these systems. Recent works learn to categorize relationships between agents based on observations of their physical behavior. These approaches are limited in that the relationship categories are modelled as independent and mutually exclusive, when in real world systems categories are often interacting. In this work, we introduce a level of abstraction between the physical behavior of agents and the categories that define their behavior. To do this, we learn a mapping from the agents’ states to their affinities for each category in a graph neural network. We integrate the physical proximity of agents and their affinities in a nonlinear opinion dynamics model which provides a mechanism to identify mutually exclusive categories, predict an agent’s evolution in time, and control an agent’s behavior. We demonstrate the utility of our model for learning interpretable categories for mechanical systems, and demonstrate its efficacy on several long-horizon trajectory prediction benchmarks where we consistently out perform existing methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google