Fugu-MT 論文翻訳(概要): Multi-task Reinforcement Learning with a Planning Quasi-Metric

論文の概要: Multi-task Reinforcement Learning with a Planning Quasi-Metric

arxiv url: http://arxiv.org/abs/2002.03240v3
Date: Sat, 5 Dec 2020 14:21:23 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 22:28:12.015584
Title: Multi-task Reinforcement Learning with a Planning Quasi-Metric
Title（参考訳）: 計画準メトリックを用いたマルチタスク強化学習
Authors: Vincent Micheli, Karthigan Sinnathamby, Fran\c{c}ois Fleuret
Abstract要約: 我々は,任意の状態から他の状態へ進むために必要なステップ数を推定する計画準測度(PQM)を組み合わせた新しい強化学習手法を提案する。最近発表された標準的なビットフリップ問題やMuJoCoロボットアームシミュレータにおいて,マルチフォールドトレーニングの高速化を実現している。
参考スコア（独自算出の注目度）: 0.49416305961918056
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a new reinforcement learning approach combining a planning quasi-metric (PQM) that estimates the number of steps required to go from any state to another, with task-specific "aimers" that compute a target state to reach a given goal. This decomposition allows the sharing across tasks of a task-agnostic model of the quasi-metric that captures the environment's dynamics and can be learned in a dense and unsupervised manner. We achieve multiple-fold training speed-up compared to recently published methods on the standard bit-flip problem and in the MuJoCo robotic arm simulator.
Abstract（参考訳）: 我々は,任意の状態から別の状態へ進むために必要なステップ数を推定するプランニング・準メトリック(pqm)と,目標の状態を計算するタスク固有の"エイマー"を組み合わせた,新たな強化学習手法を提案する。この分解は、環境のダイナミクスを捉え、密集した教師なしの方法で学習できる準メトリクスのタスク非依存モデルのタスク間での共有を可能にする。標準ビットフリップ問題やmujocoロボットアームシミュレータで最近公表された手法と比較して,マルチフォールドトレーニングの高速化を実現する。

関連論文リスト

MALMM: Multi-Agent Large Language Models for Zero-Shot Robotics Manipulation [52.739500459903724]
大規模言語モデル(LLM)は、ロボティクスの操作やナビゲーションなど、さまざまな領域にまたがる優れた計画能力を示している。特殊なLLMエージェント間で高レベル計画および低レベル制御コード生成を分散する新しいマルチエージェントLLMフレームワークを提案する。長軸タスクを含む9つのRLBenchタスクに対するアプローチを評価し、ゼロショット環境でロボット操作を解く能力を実証した。
論文参考訳（メタデータ） (2024-11-26T17:53:44Z)
Multi-Task Learning as a Bargaining Game [63.49888996291245]
マルチタスク学習(MTL)では、複数のタスクを同時に予測するためにジョイントモデルを訓練する。これらの異なるタスクの勾配が矛盾する可能性があるため、MTLのジョイントモデルを訓練すると、対応するシングルタスクモデルよりも低いパフォーマンスが得られる。本稿では,パラメータ更新のジョイント方向で合意に達するためのタスクを交渉する交渉ゲームとして,勾配の組み合わせステップを考察する。
論文参考訳（メタデータ） (2022-02-02T13:21:53Z)
Curriculum Meta-Learning for Few-shot Classification [1.5039745292757671]
本稿では,最新のメタ学習技術に適用可能なカリキュラム学習フレームワークの適応性を提案する。数発の画像分類タスクにおけるMAMLアルゴリズムによる実験は,カリキュラムの学習フレームワークにおいて有意な効果を示した。
論文参考訳（メタデータ） (2021-12-06T10:29:23Z)
Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams [2.329625852490423]
異種多ロボットチームのための複雑なミッション計画のための分散多段階最適化手法を提案する。提案手法は、ミッション目標を定義する階層木として表される、ミッションの多目的探索を含む。提案手法は,利用可能なロボットと与えられた最適化基準に応じて,計画戦略に適応する能力を示す。
論文参考訳（メタデータ） (2021-09-21T11:36:11Z)
Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
論文参考訳（メタデータ） (2021-09-15T21:19:11Z)
Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2021-06-04T20:15:34Z)
Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文参考訳（メタデータ） (2021-05-31T08:15:44Z)
Curriculum-Meta Learning for Order-Robust Continual Relation Extraction [12.494209368988253]
連続的な関係抽出の課題に取り組むための新しいカリキュラムメタ学習方法を提案する。メタ学習とカリキュラム学習を組み合わせて、モデルパラメータを新しいタスクに迅速に適応させる。与えられたモデルの順序感度の程度を定量的に測定する難易度に基づく新しい指標を提案する。
論文参考訳（メタデータ） (2021-01-06T08:52:34Z)
Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文参考訳（メタデータ） (2020-07-14T16:42:59Z)
A Simple General Approach to Balance Task Difficulty in Multi-Task Learning [4.531240717484252]
マルチタスク学習では、異なるタスクの難易度が異なる。本稿では,BMTL(Ba balanced Multi-Task Learning)フレームワークを提案する。提案するBMTLフレームワークは非常にシンプルで、ほとんどのマルチタスク学習モデルと組み合わせることができる。
論文参考訳（メタデータ） (2020-02-12T04:31:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。