Dec, 2018

基于轨迹数据的智能体系统交互规律的非参数推断

PDF
TL;DR利用非参数统计学习方法，无需参考或假设其分析形式，从包括交互代理人轨迹的数据中估算基于距离的相互作用法则，这在各个学科的复杂动态系统中是一个基本挑战。我们不仅提供理论保证，而且还在各种典型系统上进行了测试，包括基本物理中的粒子系统，模拟社会影响下的意见动态、食饵捕捉和群集和聚集和细胞动力学中的光趋性系统。
发现论文，激发创造
  • 集体关系推理用于学习与物理一致的异质粒子相互作用

    该研究提出了一个新的概率方法进行关系推断，使用基于物理的图神经网络来学习物理一致的两两粒子之间的相互作用，具有数据效率和泛化到大系统的能力，并能够比现有方法准确地推断相互作用类型，是发现宏观粒子系统机械性质的基本规律的关键元素。

    Apr, 2023

  • 网络上的相互作用粒子系统：网络和相互作用核的联合推断

    在网络上建模多智能体系统是各种学科中的一个基本挑战。我们从由多个轨迹组成的数据中共同推断网络的权重矩阵和相互作用核，分别确定智能体之间的相互作用以及此类相互作用的规则。我们提出的估计器自然导致一个非凸优化问题，我们研究了两种方法来解决：一种基于交替最小二乘（ALS）算法；另一种基于名为交替最小二乘操作回归（ORALS）的新算法。两种算法都可适用于大量数据轨迹，并建立欠定条件以保证可识别性和适定性。ALS 算法在小数据范围内具有统计效率和鲁棒性，但缺乏性能和收敛性保证；ORALS 估计器在欠定条件下是一致且渐近正常的。我们进行了几次数值实验，从网络上的 Kuramoto 粒子系统到领导者 - 从属模型的意见动态。

    Feb, 2024

  • 耦合动力系统中的相互作用网络的机器学习

    利用自监督神经网络模型从观察到的轨迹数据中恢复相互作用网络并预测个体动力学的研究，应用于耦合粒子和耦合振荡器（Kuramoto）的两个动力系统。

    Oct, 2023

  • 基于高斯过程和低维交互结构的二阶粒子动力学数据驱动模型选择

    本文通过数据驱动的方法，提出了一种基于粒子的模型，使用基于高斯过程的方法来对相互作用的动力学系统进行建模，并利用小型数据集证明了该方法在描述非线性动力学系统方面的有效性。

    Nov, 2023

  • 从观察中学习集体行为

    通过设计合适的损失函数，利用变分逆问题方法，我们提出了一系列学习方法，用于识别动态系统的结构，以了解相互作用代理系统中的新兴行为，能够有效处理高维观测数据，包括一阶和二阶动态系统的观测数据，考虑观测 / 随机噪声、复杂的相互作用规则、缺失的相互作用特征和实际世界观测，在学习方法中固有地提供了降维能力。

    Nov, 2023

  • 使用少量数据发现智能体学习的方式

    本文提出了一个用于在短暂的系统轨迹爆发中实时识别控制智能体动态的理论和算法框架。通过使用多项式回归识别代理程序的动态，我们对捕捉代理行为的基本假设或期望的副信息约束进行补偿，使用二次优化进行计算，这导致一系列越来越好的逼近真实代理行为动态的逼近。

    Jul, 2023

  • 基于几何约束的稀疏观测随机动态推断优化

    本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。

    Apr, 2023

  • 通过密度估计的随机力推断

    从低分辨率时间数据推断动力学模型在生物物理学中仍然是一个重要的挑战，我们提出了一种方法，利用与潜在扩散过程相关的概率流来推断插值分布之间的自主的非线性力场，通过使用得分匹配来区分力场和固有噪声，我们的方法可以从非平稳数据中提取非守恒力，在应用于稳态数据时学习均衡动力学，无论是添加型噪声模型还是乘法型噪声模型。

    Oct, 2023

  • 用确定性粒子流约束随机非线性系统

    提出了一种非迭代的方法，从一个相互作用粒子逼近的对数梯度中估计必要的控制，用于扰动非线性系统的最优干预。

    Dec, 2021

  • 基于图形的主动物质模型仿真推断

    本文研究了非平衡态下存在的集体系统，详细探讨了个体材料组分内部能量以及小扰动对整个系统流变性质的全球影响，利用模拟推断方法依据少量图像数据提取了集体系统参数的可行性，着重强调了复杂集体系统内部的结构关系是生成模型和数据更精确匹配的重要因素。

    Apr, 2023