Discovering group dynamics in coordinated time series via hierarchical recurrent switching-state models

要約

私たちは、相互作用する複数のエンティティ (別名「エージェント」) から生じる時系列のコレクションのための、計算効率の高いモデルを探しています。
個人間の時空間パターンの最近のモデルには、個々のエンティティの軌道に影響を与える可能性がある明示的なシステムレベルの集団行動が組み込まれていません。
文献のこのギャップに対処するために、教師なしでトレーニングしてシステムレベルと個人レベルのダイナミクスの両方を同時に学習できる新しい階層型スイッチング状態モデルを紹介します。
潜在的なシステムレベルの離散状態マルコフ連鎖を採用し、潜在的なエンティティレベルの連鎖にトップダウンの影響を与え、観測された各時系列の放出を制御します。
エンティティレベルとシステムレベルの両方で観察から潜在チェーンへの反復的なフィードバックにより、最近の状況コンテキストがすべてのレベルでボトムアップ方式でダイナミクスがどのように展開するかを知らせることができます。
私たちは、グループのダイナミクスにトップダウンとボトムアップの両方の影響を含めることで、学習されたダイナミクスの解釈可能性が向上し、予測時の誤差が減少すると仮説を立てています。
私たちの階層スイッチング反復動的モデルは、エンティティの数を線形にスケールするすべての潜在チェーンへの閉形式変分座標上昇更新を介して学習できます。
これは、漸近的には、エンティティごとに個別のモデルを当てはめるよりもコストがかかりません。
合成データと実際のバスケットボール チームの動きの両方を分析したところ、はるかに多くの計算リソースを必要とする大規模なニューラル ネットワーク モデルと比較して、リーン パラメトリック モデルが競争力のある予測を達成できることがわかりました。
兵士データに関するさらなる実験と、64 の協力するエンティティによる合成タスクは、私たちのアプローチが時間の経過とともにチームのダイナミクスについて解釈可能な洞察をどのように生み出すことができるかを示しています。

要約(オリジナル)

We seek a computationally efficient model for a collection of time series arising from multiple interacting entities (a.k.a. ‘agents’). Recent models of spatiotemporal patterns across individuals fail to incorporate explicit system-level collective behavior that can influence the trajectories of individual entities. To address this gap in the literature, we present a new hierarchical switching-state model that can be trained in an unsupervised fashion to simultaneously learn both system-level and individual-level dynamics. We employ a latent system-level discrete state Markov chain that provides top-down influence on latent entity-level chains which in turn govern the emission of each observed time series. Recurrent feedback from the observations to the latent chains at both entity and system levels allows recent situational context to inform how dynamics unfold at all levels in bottom-up fashion. We hypothesize that including both top-down and bottom-up influences on group dynamics will improve interpretability of the learned dynamics and reduce error when forecasting. Our hierarchical switching recurrent dynamical model can be learned via closed-form variational coordinate ascent updates to all latent chains that scale linearly in the number of entities. This is asymptotically no more costly than fitting a separate model for each entity. Analysis of both synthetic data and real basketball team movements suggests our lean parametric model can achieve competitive forecasts compared to larger neural network models that require far more computational resources. Further experiments on soldier data as well as a synthetic task with 64 cooperating entities show how our approach can yield interpretable insights about team dynamics over time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google