論文の概要: When Autonomous Systems Meet Accuracy and Transferability through AI: A Survey

• arxiv url: http://arxiv.org/abs/2003.12948v3
• Date: Mon, 25 May 2020 02:05:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 13:15:51.161975
• Title: When Autonomous Systems Meet Accuracy and Transferability through AI: A Survey
• Title（参考訳）: AIによる自律システムの正確性と転送可能性に関する調査
• Authors: Chongzhen Zhang, Jianrui Wang, Gary G. Yen, Chaoqiang Zhao, Qiyu Sun, Yang Tang, Feng Qian, and J\"urgen Kurths
• Abstract要約: 本稿では,自律システムにおける学習に基づくアプローチを,正確性と伝達可能性の観点から概観する。 敵の学習の利点を示すため、正確性や伝達可能性の見直しに重点を置いている。 本稿では,自律システムにおける対人学習,RL,メタラーニングの課題と今後の課題について論じる。
• 参考スコア（独自算出の注目度）: 17.416847623629362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With widespread applications of artificial intelligence (AI), the capabilities of the perception, understanding, decision-making and control for autonomous systems have improved significantly in the past years. When autonomous systems consider the performance of accuracy and transferability, several AI methods, like adversarial learning, reinforcement learning (RL) and meta-learning, show their powerful performance. Here, we review the learning-based approaches in autonomous systems from the perspectives of accuracy and transferability. Accuracy means that a well-trained model shows good results during the testing phase, in which the testing set shares a same task or a data distribution with the training set. Transferability means that when a well-trained model is transferred to other testing domains, the accuracy is still good. Firstly, we introduce some basic concepts of transfer learning and then present some preliminaries of adversarial learning, RL and meta-learning. Secondly, we focus on reviewing the accuracy or transferability or both of them to show the advantages of adversarial learning, like generative adversarial networks (GANs), in typical computer vision tasks in autonomous systems, including image style transfer, image superresolution, image deblurring/dehazing/rain removal, semantic segmentation, depth estimation, pedestrian detection and person re-identification (re-ID). Then, we further review the performance of RL and meta-learning from the aspects of accuracy or transferability or both of them in autonomous systems, involving pedestrian tracking, robot navigation and robotic manipulation. Finally, we discuss several challenges and future topics for using adversarial learning, RL and meta-learning in autonomous systems.
• Abstract（参考訳）: 人工知能(AI)の幅広い応用により、自律システムに対する認識、理解、意思決定、制御の能力はここ数年で大幅に向上した。 自律的なシステムが精度と転送可能性のパフォーマンスを考慮すると、敵対的学習、強化学習(RL)、メタ学習といったいくつかのAI手法がその強力なパフォーマンスを示す。 本稿では,自律システムにおける学習に基づくアプローチを,精度と伝達可能性の観点から検討する。 正確性は、十分にトレーニングされたモデルがテストフェーズで良い結果を示し、テストセットが同じタスクまたはデータ分散をトレーニングセットと共有することを意味します。 転送可能性とは、よく訓練されたモデルを他のテスト領域に転送する場合、その精度は依然として良好であることを意味する。 まず,転帰学習の基本概念を紹介し,対人学習,RL,メタラーニングの予備概念を提示する。 第2に、画像スタイル変換、画像スーパーレゾリューション、画像デブラッシング/デハジング/レイン除去、セマンティックセグメンテーション、深さ推定、歩行者検出、人物再識別(re-ID)を含む自律システムにおける典型的なコンピュータビジョンタスクにおいて、生成的対人ネットワーク(GAN)のような対人学習の利点を示すために、正確性または伝達可能性の両面をレビューすることに焦点を当てた。 さらに, 歩行者追跡, ロボットナビゲーション, ロボット操作など, 自律システムにおけるRLとメタラーニングの性能について, 精度や伝達性の観点から検討した。 最後に,自律システムにおける対人学習,RL,メタ学習の課題と今後の課題について論じる。

関連論文リスト

• A Reusable AI-Enabled Defect Detection System for Railway Using Ensembled CNN [5.381374943525773]
  欠陥検出は、鉄道システムの信頼性を確保するために不可欠である。 現在のアプローチは、CNNのような単一のディープラーニングモデルに依存している。 再利用可能なAI対応欠陥検出手法を提案する。
  論文  参考訳（メタデータ） (2023-11-24T19:45:55Z)
• What Makes Pre-Trained Visual Representations Successful for Robust Manipulation? [57.92924256181857]
  照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。 創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
  論文  参考訳（メタデータ） (2023-11-03T18:09:08Z)
• Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
  ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。 我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。 提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
  論文  参考訳（メタデータ） (2023-10-23T17:50:08Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [101.43350024175157]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
  最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。 収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。 我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:29:20Z)
• A Bayesian Approach to Reinforcement Learning of Vision-Based Vehicular Control [14.713547378267748]
  自律運転のための最先端の強化学習手法を提案する。 基礎的真理と推定意味セグメンテーション入力の両方を用いてシステムを訓練した。 システムの必要なトレーニング時間は低く、ベンチマークのパフォーマンスは競合するアプローチよりも優れていることが示されています。
  論文  参考訳（メタデータ） (2021-04-08T14:34:57Z)
• VATLD: A Visual Analytics System to Assess, Understand and Improve Traffic Light Detection [15.36267013724161]
  本稿では,自律運転アプリケーションにおける交通信号検知器の精度とロバスト性を評価・理解・改善する視覚分析システム,VATLDを提案する。 歪んだ表現学習は、人間に親しみやすい視覚的要約で人間の認知を強化するために、データ意味を抽出する。 また、視覚分析システムであるVATLDによる様々な性能改善戦略の有効性を実証し、自律運転における安全クリティカルな応用の実践的意義を示す。
  論文  参考訳（メタデータ） (2020-09-27T22:39:00Z)
• Scalable Multi-Task Imitation Learning with Autonomous Improvement [159.9406205002599]
  我々は、自律的なデータ収集を通じて継続的に改善できる模倣学習システムを構築している。 我々は、ロボット自身の試行を、実際に試みたタスク以外のタスクのデモとして活用する。 従来の模倣学習のアプローチとは対照的に,本手法は,継続的改善のための疎い監視によるデータ収集を自律的に行うことができる。
  論文  参考訳（メタデータ） (2020-02-25T18:56:42Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)

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。