基于因果结构发现与图神经网络的社会性行为建模
多智能体系统
2023-12-25 v1 机器学习
统计方法学
摘要
更好地理解自然界是一项具有广泛应用的关键任务。在人类与动物近距离接触的环境中（如动物园），深入了解动物行为背后的原因以及导致其行为变化的干预措施至关重要。这有助于预测异常行为、减轻不利影响并提高动物的福祉。目前已有针对鸟群和昆虫群动态建模的研究，但哺乳动物群体的复杂社会行为仍较少被探索。在本工作中，我们提出了一种利用因果结构发现和用于时间序列的图神经网络来构建行为模型的方法。我们将该方法应用于动物园环境中的狐獴群体，研究其预测未来动作以及在个体层面和群体层面对行为分布进行建模的能力。结果表明，我们的方法能够匹配并超越标准深度学习架构，生成更逼真的数据，同时使用更少的参数并提供更强的可解释性。
引用
@article{arxiv.2312.14333,
title = {Behaviour Modelling of Social Animals via Causal Structure Discovery and Graph Neural Networks},
author = {Gaël Gendron and Yang Chen and Mitchell Rogers and Yiping Liu and Mihailo Azhar and Shahrokh Heidari and David Arturo Soriano Valdez and Kobe Knowles and Padriac O'Leary and Simon Eyre and Michael Witbrock and Gillian Dobbie and Jiamou Liu and Patrice Delmas},
journal= {arXiv preprint arXiv:2312.14333},
year = {2023}
}
备注
9 pages, 7 figures, accepted as an extended abstract and poster at AAMAS 2024