Як мовна модель вчиться передбачати поведінку натовпу лише за сумарними підрахунками?

Два дослідники донавчили мовну модель імітувати, куди йдуть люди після бейсбольного матчу. Модель вчиться за даними мобільної мережі, а не за індивідуальними траєкторіями.

Приватність створює проблему даних

Пішохідні симулятори потребують правила для кожного агенту. Приватність обмежує вхідні дані зональними підрахунками пристроїв та потоками «відкуда-куди». Індивідуальних траєкторій не існує. Ці сумарні дані недостатньо визначають поведінку: багато різних наборів рішень дають однакові підрахунки. Стаття розглядає це як задачу дистиляції — модель має виводити індивідуальні вибори з колективних сум. Багато рішень дають однаковий результат.

Ціль формується з потоку OD

Команда зчитує склад пунктів призначення з даних потоку. Цей склад — частка відходячого натовпу, що рухається до кожної точки інтересу. Вони переважують власну розподіл моделі на цільовий за допомогою ітераційного пропорційного підлаштування. Підлаштування відбувається до навчання.

Донавчання роздуває домінантний клас

Низькоранговий адаптер підлаштовується під траєкторії, перевибірковані до скоригованого навчального складу. Корекція передбачає роздування, яке спричиняє донавчання. Після роздування симульоване населення досягає цілі. Агент далі працює без корекції під час виведення.

Два бейсбольні матчі дають докази

Підрахунки мобільної мережі з двох матчів створюють тестове середовище. Донавчений агент зменшує помилку частки пунктів призначення на 25%. Кореляція сітки залишається схожою для різних стратегій.

Де закінчується пояснення

Анотація не повідомляє, скільки агентів симулювали. Базову мовну модель вона не називає. Алгоритм перевибірки за винятком скоригованого складу також не описаний. Не звітується, чи є зменшення на 25% статистично значущим. Повний текст дасть відповіді на частину питань. Анотація — ні.