基于可解释协作图神经网络的在线多智能体预测
人工智能
2021-07-05 v1
摘要
本文考虑通过利用系统中的动态交互以在线方式预测多个智能体的未来状态。我们提出一种新颖的协作预测单元（CoPU），其依据协作图聚合多个协作预测器的预测结果。每个协作预测器通过考虑另一智能体的影响来训练预测某一智能体的状态。协作图的边权反映各预测器的重要性。该协作图通过乘性更新在线调整，其动机可源于最小化一个显式目标。借助该目标，我们还进行了后悔分析，表明随着训练，我们的 CoPU 可达到与事后最优个体协作预测器相近的性能。这种理论可解释性使我们的方法区别于许多其他图网络。为逐步精炼预测，多个 CoPU 堆叠构成协作图神经网络。我们在三项任务上进行了充分实验：在线模拟轨迹预测、在线人体运动预测与在线交通速度预测，我们的方法在三项任务上分别平均优于 SOTA 工作 28.6%、17.4% 与 21.0%。
引用
@article{arxiv.2107.00894,
title = {Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network},
author = {Maosen Li and Siheng Chen and Yanning Shen and Genjia Liu and Ivor W. Tsang and Ya Zhang},
journal= {arXiv preprint arXiv:2107.00894},
year = {2021}
}
备注
Submitted to IEEE-TNNLS SI-Deep Neural Networks for Graphs: Theory, Models, Algorithms and Applications