論文の概要: See, Hear, Explore: Curiosity via Audio-Visual Association

• arxiv url: http://arxiv.org/abs/2007.03669v2
• Date: Mon, 18 Jan 2021 16:26:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 18:13:37.530610
• Title: See, Hear, Explore: Curiosity via Audio-Visual Association
• Title（参考訳）: 可聴, 探究: 好奇心をオーディオ・ビジュアル・アソシエーションで見る
• Authors: Victoria Dean, Shubham Tulsiani, Abhinav Gupta
• Abstract要約: 好奇心駆動探索の一般的な定式化は、学習モデルによって予測される現実と未来の違いを使用する。 本稿では,異なる感覚の新たな関連性に報いる新たな好奇心について紹介する。 我々のアプローチは、より効率的な探索のためのより強力な信号を提供するために、複数のモダリティを利用する。
• 参考スコア（独自算出の注目度）: 46.86865495827888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploration is one of the core challenges in reinforcement learning. A common formulation of curiosity-driven exploration uses the difference between the real future and the future predicted by a learned model. However, predicting the future is an inherently difficult task which can be ill-posed in the face of stochasticity. In this paper, we introduce an alternative form of curiosity that rewards novel associations between different senses. Our approach exploits multiple modalities to provide a stronger signal for more efficient exploration. Our method is inspired by the fact that, for humans, both sight and sound play a critical role in exploration. We present results on several Atari environments and Habitat (a photorealistic navigation simulator), showing the benefits of using an audio-visual association model for intrinsically guiding learning agents in the absence of external rewards. For videos and code, see https://vdean.github.io/audio-curiosity.html.
• Abstract（参考訳）: 探索は強化学習における中核的な課題の1つだ。 好奇心駆動探索の一般的な定式化は、学習モデルによって予測される実際の未来と未来との差を用いる。 しかし、未来を予測することは本質的に難しい課題であり、確率性に直面しても不適切である。 本稿では,異なる感覚間の新たな関連に報いる好奇心の代替形態を提案する。 我々のアプローチは、より効率的な探索のためのより強力な信号を提供するために、複数のモダリティを利用する。 我々の手法は、人間にとって視覚と音の両方が探索において重要な役割を果たすという事実に着想を得ている。 いくつかのAtari環境とHabitat(フォトリアリスティックナビゲーションシミュレータ)について,外部報酬がない場合の学習エージェントを内在的に導くために,オーディオ視覚関連モデルを使用することの利点を示す。 ビデオやコードについてはhttps://vdean.github.io/audio-curiosity.htmlを参照。

関連論文リスト

• Visual Episodic Memory-based Exploration [0.6374763930914523]
  人間では、本質的なモチベーションはオープンエンド認知発達の重要なメカニズムであり、ロボットでは探索に有用である。 本稿では,ロボット探索問題への動機づけの源として,視覚的エピソードメモリの利用について検討する。
  論文  参考訳（メタデータ） (2024-05-18T13:58:47Z)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。 人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Agents that Listen: High-Throughput Reinforcement Learning with Multiple Sensory Systems [6.952659395337689]
  そこで我々は,VizDoomシミュレータの新バージョンを導入し,生の音声を観察する高効率な学習環境を構築した。 私たちはエージェントにDoomのフルゲームをするように訓練し、従来のビジョンベースの敵を一貫して打ち負かすことができることに気付きました。
  論文  参考訳（メタデータ） (2021-07-05T18:00:50Z)
• Self-Supervised Exploration via Latent Bayesian Surprise [4.088019409160893]
  本研究では,強化学習に固有の報酬として,好奇心に基づくボーナスを提案する。 環境調査の観点から、エージェントの性能を計測し、モデルを幅広く評価します。 我々のモデルは安価で経験的にいくつかの問題に対して最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-04-15T14:40:16Z)
• Learning to Set Waypoints for Audio-Visual Navigation [89.42192208471735]
  音声視覚ナビゲーションでは、エージェントが視覚と音の両方を使って複雑な3D環境をインテリジェントに移動し、音源を見つける。 既存のモデルは、エージェント動作の一定の粒度で動作することを学び、オーディオ観測の単純な再帰的な集約に依存する。 本稿では,2つの重要な要素を持つ音声視覚ナビゲーションに対する強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T18:00:33Z)
• Noisy Agents: Self-supervised Exploration by Predicting Auditory Events [127.82594819117753]
  本稿では, エージェントが行動の因果的影響を理解することを奨励する, 強化学習(Reinforcement Learning, RL)の本質的なモチベーションを提案する。 ニューラルネットワークを用いて聴覚事象を予測し、予測誤差を本質的な報奨として利用し、RL探索を誘導する。 Atariゲームの実験結果から、我々の新しい本質的な動機は、最先端のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:59:08Z)
• Show me the Way: Intrinsic Motivation from Demonstrations [44.87651595571687]
  複雑な探索行動は, 異なる動機を反映して, RLエージェントによって学習し, 効率的に利用でき, 徹底的な探索が禁じられる課題を解決することができることを示す。 本稿では,これらのモチベーションを人工エージェントに伝達する実証実験から探索ボーナスを学習することを提案する。
  論文  参考訳（メタデータ） (2020-06-23T11:52:53Z)
• Visual Prediction of Priors for Articulated Object Interaction [37.759459329701194]
  人間は先行体験を迅速かつ効率的に構築することができる。 大人は台所などの新しい空間に入る際にもこの行動を示す。 我々は、視覚を通して、類似したドメイン間の相互作用間で知識を伝達する手段を提供する、コンテキスト優先予測法を開発した。
  論文  参考訳（メタデータ） (2020-06-06T21:17:03Z)
• Never Give Up: Learning Directed Exploration Strategies [63.19616370038824]
  そこで我々は,多岐にわたる探索政策を学習し,ハード・サーベイ・ゲームを解決するための強化学習エージェントを提案する。 エージェントの最近の経験に基づいて,k-アネレスト隣人を用いたエピソード記憶に基づく本質的な報酬を構築し,探索政策を訓練する。 自己教師付き逆動力学モデルを用いて、近くのルックアップの埋め込みを訓練し、エージェントが制御できる新しい信号をバイアスする。
  論文  参考訳（メタデータ） (2020-02-14T13:57:22Z)

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。