論文の概要: A Generalizable Knowledge Framework for Semantic Indoor Mapping Based on
Markov Logic Networks and Data Driven MCMC
- arxiv url: http://arxiv.org/abs/2002.08402v1
- Date: Wed, 19 Feb 2020 19:30:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:30:05.723368
- Title: A Generalizable Knowledge Framework for Semantic Indoor Mapping Based on
Markov Logic Networks and Data Driven MCMC
- Title(参考訳): マルコフ論理ネットワークとデータ駆動MCMCに基づくセマンティック屋内マッピングのための一般化可能な知識フレームワーク
- Authors: Ziyuan Liu, Georg von Wichert
- Abstract要約: データ抽象化のための一般化可能な知識フレームワークを提案する。
これらの抽象的な用語に基づいて、インテリジェントな自律システムは、特定の知識ベースに応じて推論を行うことができるべきである。
本稿では,このフレームワークを特定のタスク,特にセマンティックロボットマッピングに適用する方法を詳細に示す。
- 参考スコア(独自算出の注目度): 2.4214518935746185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a generalizable knowledge framework for data
abstraction, i.e. finding compact abstract model for input data using
predefined abstract terms. Based on these abstract terms, intelligent
autonomous systems, such as a robot, should be able to make inference according
to specific knowledge base, so that they can better handle the complexity and
uncertainty of the real world. We propose to realize this framework by
combining Markov logic networks (MLNs) and data driven MCMC sampling, because
the former are a powerful tool for modelling uncertain knowledge and the latter
provides an efficient way to draw samples from unknown complex distributions.
Furthermore, we show in detail how to adapt this framework to a certain task,
in particular, semantic robot mapping. Based on MLNs, we formulate
task-specific context knowledge as descriptive soft rules. Experiments on real
world data and simulated data confirm the usefulness of our framework.
- Abstract(参考訳): 本稿では、データ抽象化のための一般化された知識フレームワーク、すなわち、予め定義された抽象用語を用いた入力データのためのコンパクトな抽象モデルを見つけることを提案する。
これらの抽象的な用語に基づいて、ロボットのようなインテリジェントな自律システムは、特定の知識ベースに従って推論することができ、現実世界の複雑さと不確実性をよりうまく扱うことができる。
我々は,マルコフ論理ネットワーク(MLN)とデータ駆動MCMCサンプリングを組み合わせることで,このフレームワークを実現することを提案する。
さらに,このフレームワークを特定のタスク,特にセマンティックロボットマッピングに適用する方法を詳細に示す。
MLNに基づいて,タスク固有のコンテキスト知識を記述型ソフトルールとして定式化する。
実世界データとシミュレーションデータを用いた実験により,このフレームワークの有用性を確認した。
関連論文リスト
- Are You Being Tracked? Discover the Power of Zero-Shot Trajectory
Tracing with LLMs! [3.844253028598048]
LLMTrackは、ゼロショット軌道認識にLLMをどのように活用できるかを示すモデルである。
本研究では,屋内シナリオと屋外シナリオを特徴とする異なる軌跡を用いて,現実のデータセットを用いてモデルを評価した。
論文 参考訳(メタデータ) (2024-03-10T12:50:35Z) - Images in Discrete Choice Modeling: Addressing Data Isomorphism in
Multi-Modality Inputs [77.54052164713394]
本稿では,離散選択モデリング(DCM)と機械学習の交わりについて考察する。
本稿では,DCMフレームワーク内の従来の表型入力と同型情報を共有する高次元画像データの埋め込み結果について検討する。
論文 参考訳(メタデータ) (2023-12-22T14:33:54Z) - On the verification of Embeddings using Hybrid Markov Logic [2.113770213797994]
本稿では,学習した表現の複雑な性質を検証するためのフレームワークを提案する。
このフレームワーク内のプロパティのパラメータを学習するためのアプローチを提案する。
本稿では,グラフニューラルネットワーク,深部知識追跡,知能学習システムにおける検証について述べる。
論文 参考訳(メタデータ) (2023-12-13T17:04:09Z) - Surprisal Driven $k$-NN for Robust and Interpretable Nonparametric
Learning [1.4293924404819704]
我々は情報理論の観点から、隣り合う従来のアルゴリズムに新たな光を当てた。
単一モデルを用いた分類,回帰,密度推定,異常検出などのタスクに対する頑健で解釈可能なフレームワークを提案する。
我々の研究は、分類と異常検出における最先端の成果を達成することによって、アーキテクチャの汎用性を示す。
論文 参考訳(メタデータ) (2023-11-17T00:35:38Z) - Homological Convolutional Neural Networks [4.615338063719135]
本稿では,トポロジ的に制約されたネットワーク表現を通じて,データ構造構造を利用した新しいディープラーニングアーキテクチャを提案する。
5つの古典的な機械学習モデルと3つのディープラーニングモデルに対して、18のベンチマークデータセットでモデルをテストします。
論文 参考訳(メタデータ) (2023-08-26T08:48:51Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳(メタデータ) (2023-06-14T13:07:48Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - Great Truths are Always Simple: A Rather Simple Knowledge Encoder for
Enhancing the Commonsense Reasoning Capacity of Pre-Trained Models [89.98762327725112]
自然言語における常識推論は、人工知能システムの望ましい能力である。
複雑なコモンセンス推論タスクを解決するための典型的な解決策は、知識対応グラフニューラルネットワーク(GNN)エンコーダで事前訓練された言語モデル(PTM)を強化することである。
有効性にもかかわらず、これらのアプローチは重いアーキテクチャ上に構築されており、外部知識リソースがPTMの推論能力をどのように改善するかを明確に説明できない。
論文 参考訳(メタデータ) (2022-05-04T01:27:36Z) - Privacy-preserving machine learning with tensor networks [50.591267188664666]
テンソルネットワークアーキテクチャは、特にプライバシー保護機械学習に期待できる特性を持つことを示す。
まず、フィードフォワードニューラルネットワークに存在する新たなプライバシ脆弱性を説明し、それを合成および実世界のデータセットで説明する。
このような条件がテンソルネットワークアーキテクチャによって満たされていることを厳密に証明する。
論文 参考訳(メタデータ) (2022-02-24T19:04:35Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Applying Rule-Based Context Knowledge to Build Abstract Semantic Maps of
Indoor Environments [2.4214518935746185]
本稿では,データ抽象化のためのルールベースコンテキスト知識を用いたデータ駆動MCMCサンプリングと推論を組み合わせた手法を提案する。
このシステムの積は、知覚された環境のパラメトリック抽象モデルである。
実世界のデータを用いた実験は有望な結果を示し,システムの有用性を確認した。
論文 参考訳(メタデータ) (2020-02-21T20:56:02Z)
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。