論文の概要: A Model of Fast Concept Inference with Object-Factorized Cognitive Programs

• arxiv url: http://arxiv.org/abs/2002.04021v2
• Date: Thu, 18 Jun 2020 16:47:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 09:17:44.930429
• Title: A Model of Fast Concept Inference with Object-Factorized Cognitive Programs
• Title（参考訳）: オブジェクト指向認知プログラムを用いた高速概念推論モデル
• Authors: Daniel P. Sawyer, Miguel L\'azaro-Gredilla, Dileep George
• Abstract要約: 対象の分解とサブゴールの認知をエミュレートし、人間のレベルの推論速度を向上し、精度を改善し、出力をより説明しやすくするアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.4763296976688443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability of humans to quickly identify general concepts from a handful of images has proven difficult to emulate with robots. Recently, a computer architecture was developed that allows robots to mimic some aspects of this human ability by modeling concepts as cognitive programs using an instruction set of primitive cognitive functions. This allowed a robot to emulate human imagination by simulating candidate programs in a world model before generalizing to the physical world. However, this model used a naive search algorithm that required 30 minutes to discover a single concept, and became intractable for programs with more than 20 instructions. To circumvent this bottleneck, we present an algorithm that emulates the human cognitive heuristics of object factorization and sub-goaling, allowing human-level inference speed, improving accuracy, and making the output more explainable.
• Abstract（参考訳）: 画像から一般概念を素早く識別する能力は、ロボットでエミュレートすることが困難であることが証明されている。 近年,ロボットが原始的認知機能の命令セットを用いて,概念を認知プログラムとしてモデル化することで,人間の能力の一部を模倣するコンピュータアーキテクチャが開発されている。 これによりロボットは、物理的な世界に一般化する前に、世界モデルで候補プログラムをシミュレートすることで、人間の想像力を模倣することができる。 しかし、このモデルは1つの概念を発見するのに30分かかるナイーブ探索アルゴリズムを使用し、20以上の命令を持つプログラムでは難解になった。 このボトルネックを回避するために,対象因子化とサブゴールの人間の認知的ヒューリスティックスを模倣し,人間のレベルの推論速度を向上し,精度を向上し,出力をより説明可能にするアルゴリズムを提案する。

関連論文リスト

• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
  住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。 人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。 本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
  論文  参考訳（メタデータ） (2023-11-09T13:01:21Z)
• Exploring the effects of robotic design on learning and neural control [0.0]
  論文は神経制御装置ではなく ロボット体の開発に焦点を当てています 私は、マルチタスク設定でニューラルネットワークが直面する現在の落とし穴の多くを克服できるように、ロボットを設計できることを発見しました。
  論文  参考訳（メタデータ） (2023-06-06T15:17:34Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• World Models and Predictive Coding for Cognitive and Developmental Robotics: Frontiers and Challenges [51.92834011423463]
  我々は世界モデルと予測符号化の2つの概念に焦点を当てる。 神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
  論文  参考訳（メタデータ） (2023-01-14T06:38:14Z)
• NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks [2.0646127669654826]
  本稿では,脳にインスパイアされた神経認知アーキテクチャであるNeuroCERILについて紹介する。 シミュレーションされたロボット模倣学習領域において,NeuroCERILは様々な手続き的スキルを習得できることを示す。 我々は、NeuroCERILは人間のような模倣学習の実行可能な神経モデルであると結論付けた。
  論文  参考訳（メタデータ） (2022-11-11T19:56:11Z)
• Learning Perceptual Concepts by Bootstrapping from Human Queries [41.07749131023931]
  本稿では,ロボットが概念の低次元変種を学習し,それを用いて高次元空間における概念学習のためのより大きなデータセットを生成する手法を提案する。 これにより、オブジェクトのポーズやバウンディングボックスなど、トレーニング時にのみアクセス可能な意味的に意味のある特権情報の活用が可能になる。
  論文  参考訳（メタデータ） (2021-11-09T16:43:46Z)
• Bio-inspired robot perception coupled with robot-modeled human perception [4.534608952448841]
  私の目指す研究目標は、人間のような方法で人間と対話できる知覚能力を持つロボットを提供することです。 私は人間の視覚システムの原理を使って新しいコンピュータビジョンアルゴリズムを開発します。
  論文  参考訳（メタデータ） (2021-08-31T22:22:55Z)
• Smile Like You Mean It: Driving Animatronic Robotic Face with Learned Models [11.925808365657936]
  人間のような社会ロボットを構築するには、知的で一般化可能な表情を生成する能力が不可欠である。 顔模倣のための視覚に基づく自己教師型学習フレームワークを開発した。 本手法は, 多様な被験者に対して, 正確かつ多様な顔の模倣を可能にする。
  論文  参考訳（メタデータ） (2021-05-26T17:57:19Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Joint Inference of States, Robot Knowledge, and Human (False-)Beliefs [90.20235972293801]
  本稿では,人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)・人間(時間的)の認知能力が,ロボットとの相互作用にどのように影響するかを理解するために,対象状態,ロボット知識,人間(時間的)の認知能力の表現にグラフィカルモデルを採用することを提案する。 推論アルゴリズムは、複数のビューにまたがる全てのロボットから個別のpgを融合し、単一のビューから発生したエラーを克服するより効果的な推論能力を得る。
  論文  参考訳（メタデータ） (2020-04-25T23:02:04Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。