論文の概要: Work in Progress: Temporally Extended Auxiliary Tasks
- arxiv url: http://arxiv.org/abs/2004.00600v3
- Date: Thu, 16 Apr 2020 21:42:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 17:50:42.852741
- Title: Work in Progress: Temporally Extended Auxiliary Tasks
- Title（参考訳）: 進行中の作業:時間的に拡張された補助作業
- Authors: Craig Sherstan, Bilal Kartal, Pablo Hernandez-Leal, and Matthew E.
Taylor
- Abstract要約: 本稿では、時間差学習を用いて、政治上の予測を学習する補助的タスクについて考察する。
我々は,VizDoom環境における時間差オートエンコーダ(TD-AE)のA2Cアルゴリズムへの影響を実験的に評価した。
- 参考スコア（独自算出の注目度）: 13.605130745835638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive auxiliary tasks have been shown to improve performance in numerous
reinforcement learning works, however, this effect is still not well
understood. The primary purpose of the work presented here is to investigate
the impact that an auxiliary task's prediction timescale has on the agent's
policy performance. We consider auxiliary tasks which learn to make on-policy
predictions using temporal difference learning. We test the impact of
prediction timescale using a specific form of auxiliary task in which the input
image is used as the prediction target, which we refer to as temporal
difference autoencoders (TD-AE). We empirically evaluate the effect of TD-AE on
the A2C algorithm in the VizDoom environment using different prediction
timescales. While we do not observe a clear relationship between the prediction
timescale on performance, we make the following observations: 1) using
auxiliary tasks allows us to reduce the trajectory length of the A2C algorithm,
2) in some cases temporally extended TD-AE performs better than a straight
autoencoder, 3) performance with auxiliary tasks is sensitive to the weight
placed on the auxiliary loss, 4) despite this sensitivity, auxiliary tasks
improved performance without extensive hyper-parameter tuning. Our overall
conclusions are that TD-AE increases the robustness of the A2C algorithm to the
trajectory length and while promising, further study is required to fully
understand the relationship between auxiliary task prediction timescale and the
agent's performance.
- Abstract（参考訳）: 予測補助タスクは、多くの強化学習作業でパフォーマンスを向上させることが示されているが、この効果はまだよく分かっていない。
本研究の主な目的は,補助作業の予測タイムスケールがエージェントの政策パフォーマンスに与える影響を調査することである。
時間差学習を用いて政治予測を行う補助タスクについて検討する。
本研究では,入力画像が予測対象として使用される特定のタスクの形式を用いて,時間差オートエンコーダ(TD-AE)と呼ばれる予測時間スケールの影響を検証した。
我々は、異なる予測時間尺度を用いて、VizDoom環境におけるA2Cアルゴリズムに対するTD-AEの効果を実証的に評価した。
予測時間スケールと性能の関係は明確には観察されていないが、以下の観察を行う。
1)補助的タスクを用いることで,A2Cアルゴリズムの軌道長を削減できる。
2) 時間的に拡張されたTD-AEは, ストレートオートエンコーダよりも優れていた。
3)補助的作業による性能は、補助的損失の重みに敏感である。
4) この感度にもかかわらず, 補助タスクは, ハイパーパラメータチューニングを伴わずに性能が向上した。
総合的な結論として,td-aeはa2cアルゴリズムのロバスト性を軌道長に向上させ,有望でありながら,補助タスク予測時間スケールとエージェントの性能との関係を十分に理解する必要がある。
関連論文リスト
- Distillation Enhanced Time Series Forecasting Network with Momentum Contrastive Learning [7.4106801792345705]
長周期時系列予測のための革新的蒸留強化フレームワークであるDE-TSMCLを提案する。
具体的には、タイムスタンプをマスクするかどうかを適応的に学習する学習可能なデータ拡張機構を設計する。
そこで本研究では,時系列のサンプル間および時間内相関を探索するために,モーメントを更新したコントラスト学習タスクを提案する。
複数のタスクからモデル損失を発生させることで、下流予測タスクの効果的な表現を学習することができる。
論文 参考訳（メタデータ） (2024-01-31T12:52:10Z) - Skip-Attention: Improving Vision Transformers by Paying Less Attention [55.47058516775423]
視覚計算変換器(ViT)は、すべての層で高価な自己注意操作を使用する。
また,SkipAtを提案する。SkipAtは,先行層から自己注意を再利用して1層以上の注意を近似する手法である。
本稿では,画像の分類と自己教師型学習,ADE20Kのセマンティックセグメンテーション,SIDDの画像デノイング,DAVISのビデオデノナイズにおける手法の有効性を示す。
論文 参考訳（メタデータ） (2023-01-05T18:59:52Z) - Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。
自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
論文 参考訳（メタデータ） (2022-10-13T17:59:16Z) - FADE: Fusing the Assets of Decoder and Encoder for Task-Agnostic
Upsampling [21.590872272491033]
FADEは、新規で、プラグアンドプレイで、タスクに依存しないアップサンプリング演算子である。
まず, 玩具データを用いたFADEのアップサンプリング特性について検討し, 大規模セマンティックセグメンテーションと画像マッチングによる評価を行った。
論文 参考訳（メタデータ） (2022-07-21T10:06:01Z) - TIP: Task-Informed Motion Prediction for Intelligent Systems [25.534109928628933]
既存の動き予測器はしばしば、予測精度に基づいてタスクに依存しない測定によって最適化され評価される。
本稿では,予測精度と作業性について共同で推論を行うタスクインフォームド動作予測フレームワークを提案する。
オープンモーションデータセットにおけるタスク非依存の予測よりも,タスクインフォームド予測が優れていることを示す。
論文 参考訳（メタデータ） (2021-10-17T07:46:27Z) - Predicting Driver Takeover Time in Conditionally Automated Driving [14.861880139643942]
安全な乗っ取り遷移を定量化する重要な要因の1つは、乗っ取り時間である。
以前の研究では、テイクオーバリードタイム、非運転タスク、テイクオーバリクエスト(TOR)のモダリティ、シナリオ緊急性など、多くの要因がテイクオーバ時間に与える影響が特定された。
メタ分析によるデータセットを用いて,eXtreme Gradient Boostingを用いてテイクオーバー時間の予測を行った。
論文 参考訳（メタデータ） (2021-07-20T15:01:49Z) - Learning to Relate Depth and Semantics for Unsupervised Domain
Adaptation [87.1188556802942]
教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。
本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。
さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
論文 参考訳（メタデータ） (2021-05-17T13:42:09Z) - Meta Auxiliary Learning for Facial Action Unit Detection [84.22521265124806]
マルチタスク方式でAU検出と表情認識を学習することを検討する。
マルチタスクシナリオにおける負の転送のため、AU検出タスクの性能を常に向上することはできない。
トレーニングFEサンプルの適応重みをメタラーニング方式で学習し,高相関なFEサンプルを自動的に選択するメタラーニング法(MAL)を提案する。
論文 参考訳（メタデータ） (2021-05-14T02:28:40Z) - Improving Online Performance Prediction for Semantic Segmentation [29.726236358091295]
オンライン運用における意味的セグメンテーションディープニューラルネットワーク(DNN)の性能を観察するタスクに取り組みます。
多くのハイレベルな決定は、オフラインで評価されるようなDNNに依存しているが、オンライン運用におけるパフォーマンスは不明である。
本稿では,最近提案されている主意味セグメンテーションタスクの性能予測に基づくオンラインパフォーマンス予測手法を提案する。
論文 参考訳（メタデータ） (2021-04-12T07:44:40Z) - Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。
まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。
次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
論文 参考訳（メタデータ） (2021-02-10T15:23:20Z) - Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。
シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。
本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-07-10T10:28:54Z)
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。