Kinetoの弾性同期アルゴリズム

離散構造は組み合わせ爆発起こしがち

時系列のものに多い?

書き込みの感情が近い/遠い人と繋ぐっていう考え方ありかも (minervaの人の提案)

指揮者なし

なぜ?

なので、それを中央で管理しようとするより、ある程度の予測不能さ前提で各デバイスが自分の頭使って動く方が良さそう

あと実装が楽

バックエンド慣れてない

これなら、ローカルの頭を使って、情報をfirebase realtime dbで共有すればいいだけ

あと実装が面白そう

地味にこれが一番かもしれんw

いや、でもそんなに意味がないな

longitudinal waveの考え方をいれる

映像にlongitudinal waveを置いて、隔点に向かって力が働くようにする

力が働いた時の物理を定義したい

位相(phase)モデルで記述

https://gyazo.com/ca7b00c32800d77fe78d3a697c34acf1

蔵元モデルの振動じゃない版を作れば

引き込み力(K)を生徒別で変えた方が良い?

他人と今どのくらい繋がりたいか、ということベースで

頻繁に会話している場合はK強めとか

強制引き込み

相互作用じゃなくて、何かの上の力で引き込みをすること

周期的な外圧を加えるとか

授業映像ベースで、同期ポイント作れたら良い

ペースメーカー

縦軸: 現実の時間, 横軸: 映像の時間, という表現でグラフでわかりやすく洗わせることに今更気づいた

むしろ、今までなぜ気づかなかったのかが分からない

シミュレーション一回したい

swift playground?

微分関数（dxdt(x,t)）の中身を色々試した

Trial 1

シンプルに全部の平均値に近づいていくような仕組み、遠いほど強い重み

傾きは、1+(-0.1~0.3)の範囲の制限がかかる（下がる方は遅くなりすぎて欲しくないので、上がる方より制限強めに）

https://gyazo.com/c56442a9709364a992fdd1477d4503ee

code: .py

def dxdt(x, t):

gradients = []

k = 5

for i in range(len(x)):

return gradients

Trial 2

自分以外の線に引き寄せられる、近いほど強い重み（逆数関数を使ってる）

傾きは、それぞれの引き寄せに(-0.1~0.3)の範囲の制限がかかる（下がる方は遅くなりすぎて欲しくないので、上がる方より制限強めに）

上下に振れちゃう問題をどうにかしたい

k = 1.3

k = 0.2

もうちょっと緩やかなカーブがいい（1/xのかんすうをつかってるのでこの場合仕方がない）

code: .py

def dxdt(x, t):

gradients = []

for x_i in x:

gradient = 1

for x_j in x:

gradient += (k / ((x_j - x_i)))/len(x)

# 0.3, -0.1は、傾きの制限

# 下がる方は遅くなりすぎて欲しくないので、上がる方より制限強めに

gradients.append(min(1.3, max(0.9, gradient)))

return gradients

シグモイド曲線

多くの自然界に存在する事柄は、このようなS字曲線を取ります。

シグモイド関数

code: .py

def sigmoid(x):

return 1 / (1 + np.exp(-x))

# 微分方程式の関数

# xがこの値の場合に、

def dxdt(x, t):

gradients = []

for x_i in x:

gradient = 1

for x_j in x:

gradient += (sigmoid(x_j - x_i) - 0.5) / len(x)

gradients.append(gradient)

return gradients

クラスタリング

code: .py

def dxdt(x, t):

initial_kmeans = kmeans_plusplus_initializer(np_x, 2).initialize()

instances = xmeans(np.array(np_x), initial_kmeans, ccore=True)

instances.process()

clusters = instances.get_clusters()

print(clusters)

for cluster in clusters:

for i in cluster:

gradient = 1

for j in cluster:

return gradients

結構うまく行った

x-meansを使った (k-meansの個数自動版)

上二つはグループになったりならなかったりが安定しないので、グラフがガタガタになる

これはどうにかすべき

あと、あんまりエレガントさがない、本当はシンプルな関数だけでできたらもっと嬉しい

DBSCAN的クラスタリングベースのやつ

code: .py

def dxdt(x, t):

eps = 5

gradients = []

for x_i in x:

xDifs = []

for x_j in x:

xDifs.append(x_j-x_i)

xDifs.sort()

upperBorder = x_i

positiveXDifs = list(filter(lambda x: x >= 0, sorted(xDifs)))

for i in range(len(positiveXDifs)-1):

break

lowerBorder = x_i

negativeXDifs = list(reversed(list(filter(lambda x: x <= 0, sorted(xDifs)))))

for i in range(len(negativeXDifs)-1):

break

gradient = 1

xInRange = list(filter(lambda x: lowerBorder <= x and x <= upperBorder, x))

for x_other in x:

if lowerBorder <= x_other and x_other <= upperBorder:

gradient += (sigmoid(x_other - x_i) - 0.5) / len(x)

else:

gradient += ((sigmoid(x_other - x_i) - 0.5) / 10) / len(x)

gradient = max(gradient, 0.8)

gradient = min(gradient, 1.2)

gradients.append(gradient)

return gradients

雑で長い（どうせswiftで書き直すのでとりあえず雑に作った）

仕組み

DBSCAN的なクラスタリングをした

クラスタ内なら普通にsigmoidで引き寄せ

クラスタ外なら弱めに引き寄せ

あと制限もつけた、0.8~1.2

epsの値は悩む

以下ランダムにジェネレートした実行例 (eps=5)

https://gyazo.com/45a4fa1c5606e3d794db4d053633ef61

結構理想系ではある

問題点

人数がめっちゃ大量になると、全部一つのクラスタになってしまう

なにかしらのlimitはつけるべき

sigmoidでaverageによってくモデルもありかも(TODO)

さまざまなepsでクラスタリングやって、小さいepsで含まれるやつほど重み強めとかもありかも

実装

KinetoWatcherで見たやつ

https://gyazo.com/ec9f408cf3b24f3ea930369884c857ab

これは、ただの平均値吸い寄せモデル(Trial 1)