論文の概要: Machine Learning Approaches For Motor Learning: A Short Review
- arxiv url: http://arxiv.org/abs/2002.04317v4
- Date: Wed, 3 Jun 2020 15:00:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 01:56:04.220948
- Title: Machine Learning Approaches For Motor Learning: A Short Review
- Title（参考訳）: 機械学習による運動学習のアプローチ : 簡単なレビュー
- Authors: Baptiste Caramiaux, Jules Fran\c{c}oise, Wanyu Liu, T\'eo Sanchez and
Fr\'ed\'eric Bevilacqua
- Abstract要約: 運動学習のための既存の機械学習モデルとその適応能力について概説する。
確率モデルの強化、深層ニューラルネットワークの伝達とメタラーニング、強化学習による計画適応の3つのタイプを同定し、記述する。
- 参考スコア（独自算出の注目度）: 1.5736917233375265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning approaches have seen considerable applications in human
movement modeling, but remain limited for motor learning. Motor learning
requires accounting for motor variability, and poses new challenges as the
algorithms need to be able to differentiate between new movements and variation
of known ones. In this short review, we outline existing machine learning
models for motor learning and their adaptation capabilities. We identify and
describe three types of adaptation: Parameter adaptation in probabilistic
models, Transfer and meta-learning in deep neural networks, and Planning
adaptation by reinforcement learning. To conclude, we discuss challenges for
applying these models in the domain of motor learning support systems.
- Abstract（参考訳）: 機械学習のアプローチは人間の運動モデリングにかなり応用されているが、運動学習に限られている。
モーターラーニングは、運動の変動を計算しなければならず、アルゴリズムが新しい動きと既知の動きのばらつきを区別できる必要があるため、新しい課題を提起する。
本稿では,運動学習のための既存の機械学習モデルとその適応能力について概説する。
確率モデルにおけるパラメータ適応、ディープニューラルネットワークにおけるトランスファーとメタラーニング、強化学習による計画適応の3つのタイプを同定し、記述する。
そこで本研究では,これらのモデルをモータ学習支援システムの分野に適用するための課題について論じる。
関連論文リスト
- Machine Unlearning in Contrastive Learning [3.6218162133579694]
本稿では,機械学習を効果的に行うためのモデルトレーニングのための,勾配制約に基づく新しいアプローチを提案する。
提案手法は,コントラスト学習モデルだけでなく,教師付き学習モデルにも有能な性能を示す。
論文 参考訳（メタデータ） (2024-05-12T16:09:01Z) - Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。
我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
論文 参考訳（メタデータ） (2024-03-27T05:10:38Z) - Physics-Inspired Interpretability Of Machine Learning Models [0.0]
機械学習モデルによる意思決定を説明する能力は、AIの普及に最も大きなハードルのひとつだ。
本研究では,エネルギー景観分野の手法にインスパイアされた入力データの特徴を同定する手法を提案する。
論文 参考訳（メタデータ） (2023-04-05T11:35:17Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳（メタデータ） (2021-08-17T17:44:38Z) - Bidirectional Interaction between Visual and Motor Generative Models
using Predictive Coding and Active Inference [68.8204255655161]
本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。
我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
論文 参考訳（メタデータ） (2021-04-19T09:41:31Z) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳（メタデータ） (2021-03-22T12:42:16Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - A Weighted Solution to SVM Actionability and Interpretability [0.0]
実行可能性(Actionability)は、機械学習モデルの解釈可能性や説明可能性と同じくらい重要であり、進行中で重要な研究トピックである。
本稿では,線形SVMモデルと非線形SVMモデルの両方において,動作可能性の問題に対する解を求める。
論文 参考訳（メタデータ） (2020-12-06T20:35:25Z) - Differential Replication in Machine Learning [0.90238471756546]
我々は、すでにデプロイされた機械学習モデルによって得られた知識を再利用したソリューションを提案する。
これは機械学習モデルの差分複製の背景にある考え方である。
論文 参考訳（メタデータ） (2020-07-15T20:26:49Z)
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。