Fugu-MT 論文翻訳(概要): An Object Model for the Representation of Empirical Knowledge

論文の概要: An Object Model for the Representation of Empirical Knowledge

arxiv url: http://arxiv.org/abs/2005.07464v1
Date: Fri, 15 May 2020 10:45:58 GMT
ステータス: 処理完了
システム内更新日: 2022-12-02 23:28:21.443579
Title: An Object Model for the Representation of Empirical Knowledge
Title（参考訳）: 経験的知識の表現のための対象モデル
Authors: Jo\"el Colloc (IDEES), Danielle Boulanger
Abstract要約: 私たちは現在、微分ドメインにおける静的および動的知識を記述するオブジェクト指向モデルを設計しています。内部レベルは、サブオブジェクト階層からなるオブジェクト構造、動的関数による構造進化、評価関数との比較である。オブジェクト環境は、オブジェクトの型を強制し、型からサブタイプへの外部の単純な継承を使用する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We are currently designing an object oriented model which describes static and dynamical knowledge in diff{\'e}rent domains. It provides a twin conceptual level. The internal level proposes: the object structure composed of sub-objects hierarchy, structure evolution with dynamical functions, same type objects comparison with evaluation functions. It uses multiple upward inheritance from sub-objects properties to the Object. The external level describes: object environment, it enforces object types and uses external simple inheritance from the type to the sub-types.
Abstract（参考訳）: 現在我々は、diff{\'e}rentドメインにおける静的および動的知識を記述するオブジェクト指向モデルを設計している。双対の概念レベルを提供する。内部レベルは、サブオブジェクト階層からなるオブジェクト構造、動的関数による構造進化、評価関数との比較である。サブオブジェクトプロパティからObjectへの複数の上層継承を使用する。オブジェクト環境は、オブジェクトの型を強制し、型からサブタイプへの外部の単純な継承を使用する。

関連論文リスト

Learning Dynamic Attribute-factored World Models for Efficient Multi-object Reinforcement Learning [6.447052211404121]
多くの強化学習タスクでは、エージェントは異なるタイプの多くのオブジェクトと対話し、目に見えない組み合わせやオブジェクト数に一般化する必要がある。最近の研究は、サンプル効率を改善するために、オブジェクト指向表現と階層的抽象化の利点を示している。本稿では、動的属性FacTored RL(DAFT-RL)フレームワークを導入し、オブジェクト属性の係数化の利点を利用する。
論文参考訳（メタデータ） (2023-07-18T12:41:28Z)
Object-Category Aware Reinforcement Learning [18.106722478831113]
我々は,OCARL(Object-Category Aware Reinforcement Learning)という新しいフレームワークを提案する。 OCARLは、知覚と推論の両方を容易にするためにオブジェクトのカテゴリ情報を使用する。実験の結果,OCARLはOORL領域におけるサンプル効率と一般化の両方を改善することができることがわかった。
論文参考訳（メタデータ） (2022-10-13T11:31:32Z)
Object-Compositional Neural Implicit Surfaces [45.274466719163925]
ニューラル暗示表現は、新しいビュー合成と多視点画像からの高品質な3D再構成においてその効果を示した。本稿では,3次元再構成とオブジェクト表現に高い忠実性を有するオブジェクト合成型ニューラル暗黙表現を構築するための新しいフレームワークであるObjectSDFを提案する。
論文参考訳（メタデータ） (2022-07-20T06:38:04Z)
Complex-Valued Autoencoders for Object Discovery [62.26260974933819]
本稿では,オブジェクト中心表現に対する分散アプローチとして,複合オートエンコーダを提案する。このシンプルで効率的なアプローチは、単純なマルチオブジェクトデータセット上の等価な実数値オートエンコーダよりも、より良い再構成性能を実現することを示す。また、2つのデータセット上のSlotAttentionモデルと競合しないオブジェクト発見性能を実現し、SlotAttentionが失敗する第3のデータセットでオブジェクトをアンタングルする。
論文参考訳（メタデータ） (2022-04-05T09:25:28Z)
Contrastive Object Detection Using Knowledge Graph Embeddings [72.17159795485915]
一つのホットアプローチで学習したクラス埋め込みの誤差統計と、自然言語処理や知識グラフから意味的に構造化された埋め込みを比較した。本稿では,キーポイントベースおよびトランスフォーマーベースオブジェクト検出アーキテクチャの知識埋め込み設計を提案する。
論文参考訳（メタデータ） (2021-12-21T17:10:21Z)
Object-Region Video Transformers [100.23380634952083]
本稿では,オブジェクト表現でトランスフォーマー映像層を拡張するエポbject中心のアプローチであるObject-Region Transformers Video(ORViT)を提案する。 ORViTブロックは2つのオブジェクトレベルのストリームで構成されています。オブジェクト表現をトランスフォーマーアーキテクチャに組み込んだモデルの価値を実証し、全てのタスクにまたがってパフォーマンスを強く向上させ、検討する。
論文参考訳（メタデータ） (2021-10-13T17:51:46Z)
Hierarchical Relational Inference [80.00374471991246]
本稿では,物体を局所的に独立に振る舞うが,よりグローバルに一括して振る舞う部分の階層としてモデル化する物理推論手法を提案する。従来の手法とは異なり,本手法は生画像から直接教師なしの方法で学習する。複数のレベルの抽象化を明確に区別し、合成ビデオと実世界のビデオのモデリングにおいて、強力なベースラインを超えて改善する。
論文参考訳（メタデータ） (2020-10-07T20:19:10Z)
Object Files and Schemata: Factorizing Declarative and Procedural Knowledge in Dynamical Systems [135.10772866688404]
モノリシックな隠蔽状態を持つブラックボックスモデルは、手続き的知識を一貫して均一に適用できないことが多い。宣言的および手続き的知識を分解するアーキテクチャを通じてこの問題に対処する。
論文参考訳（メタデータ） (2020-06-29T17:45:03Z)
Look-into-Object: Self-supervised Structure Modeling for Object Recognition [71.68524003173219]
我々は,自己スーパービジョンを取り入れた「対象」(具体的かつ内在的に対象構造をモデル化する)を提案する。認識バックボーンは、より堅牢な表現学習のために大幅に拡張可能であることを示す。提案手法は汎用オブジェクト認識(ImageNet)や細粒度オブジェクト認識タスク(CUB, Cars, Aircraft)など,多数のベンチマークにおいて大きなパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-03-31T12:22:51Z)
Learning Object Permanence from Video [46.34427538905761]
本稿では,データからオブジェクトパーマンスを学習するためのセットアップを紹介する。本稿では,この学習問題を,対象が可視である4つの構成要素,(2)隠蔽,(3)他の対象が包含,(4)包含対象が担持する4つの要素に分解すべき理由を説明する。そして、これらの4つのシナリオの下でオブジェクトの位置を予測することを学習する統合されたディープアーキテクチャを提示します。
論文参考訳（メタデータ） (2020-03-23T18:03:01Z)

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。