論文の概要: BabyAI 1.1
- arxiv url: http://arxiv.org/abs/2007.12770v1
- Date: Fri, 24 Jul 2020 21:19:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 05:46:12.917696
- Title: BabyAI 1.1
- Title(参考訳): バビライ1.1
- Authors: David Yu-Tung Hui, Maxime Chevalier-Boisvert, Dzmitry Bahdanau, Yoshua
Bengio
- Abstract要約: BabyAIは、接地された言語指示に従うためにエージェントを訓練する際のサンプル効率を測定するように設計されている。
BabyAI 1.1はエージェントのアーキテクチャを3つの小さな方法で改善する。
- 参考スコア(独自算出の注目度): 76.63345554569011
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The BabyAI platform is designed to measure the sample efficiency of training
an agent to follow grounded-language instructions. BabyAI 1.0 presents baseline
results of an agent trained by deep imitation or reinforcement learning. BabyAI
1.1 improves the agent's architecture in three minor ways. This increases
reinforcement learning sample efficiency by up to 3 times and improves
imitation learning performance on the hardest level from 77 % to 90.4 %. We
hope that these improvements increase the computational efficiency of BabyAI
experiments and help users design better agents.
- Abstract(参考訳): babyaiプラットフォームは、接地した言語指示に従うためにエージェントを訓練するサンプル効率を測定するために設計されている。
BabyAI 1.0は、深い模倣や強化学習によって訓練されたエージェントのベースライン結果を示す。
BabyAI 1.1はエージェントのアーキテクチャを3つの小さな方法で改善する。
これにより強化学習サンプル効率が最大3倍向上し、最も難しいレベルの模倣学習性能が77%から90.4%に向上する。
これらの改善により,BabyAI実験の計算効率が向上し,より優れたエージェントの設計が期待できる。
関連論文リスト
- Trial and Error: Exploration-Based Trajectory Optimization for LLM
Agents [52.82856458995437]
本稿では,ETOと呼ばれる探索に基づく軌道最適化手法を提案する。
この学習方法はオープンLLMエージェントの性能を向上させるために設計されている。
3つの複雑なタスクに関する実験は、ETOがベースライン性能をはるかに上回っていることを示す。
論文 参考訳(メタデータ) (2024-03-04T21:50:29Z) - Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech
Recognition for Children VS. Adults [5.112577625133112]
我々は、より効率的なデータ前処理により、MySTデータセットの有用性を高める。
この改善は、目に見えないデータセットに一般化できることを示す。
その結果,Whisperの有効かつ効率的な統合が,効果的な子どもの音声認識に有効であることが示された。
論文 参考訳(メタデータ) (2023-09-12T06:58:18Z) - Strategies to exploit XAI to improve classification systems [0.0]
XAIは、AIモデルの意思決定プロセスに関する洞察を提供することを目的としている。
ほとんどのXAI文献は、AIシステムを説明する方法に焦点を当てているが、AIシステムを改善するためにXAIメソッドをどのように活用するかについては、あまり注目されていない。
論文 参考訳(メタデータ) (2023-06-09T10:38:26Z) - Adaptive Learning Path Navigation Based on Knowledge Tracing and
Reinforcement Learning [2.0263791972068628]
本稿では,適応学習経路ナビゲーション(ALPN)システムについて紹介する。
ALPNシステムは、学生のニーズに合わせて学習経路を調整し、学習効率を大幅に向上させる。
実験結果から、ALPNシステムは、学習結果の最大化において、従来の研究よりも8.2%優れていたことが示されている。
論文 参考訳(メタデータ) (2023-05-08T05:54:29Z) - Bag of Tricks for Effective Language Model Pretraining and Downstream
Adaptation: A Case Study on GLUE [93.98660272309974]
このレポートでは、ジェネラル言語理解評価のリーダーボードに関するVega v1を簡潔に紹介します。
GLUEは、質問応答、言語受容性、感情分析、テキスト類似性、パラフレーズ検出、自然言語推論を含む9つの自然言語理解タスクのコレクションである。
最適化された事前学習と微調整の戦略により、13億のモデルは4/9タスクに新しい最先端のタスクを設定し、91.3の平均スコアを達成しました。
論文 参考訳(メタデータ) (2023-02-18T09:26:35Z) - Weighted Ensemble Self-Supervised Learning [67.24482854208783]
組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。
我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。
提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
論文 参考訳(メタデータ) (2022-11-18T02:00:17Z) - Prioritized Experience-based Reinforcement Learning with Human Guidance:
Methdology and Application to Autonomous Driving [2.5895890901896124]
強化学習は、最適化と制御問題を解決するために、巧妙な定義と卓越した計算努力を必要とする。
本稿では,人間指導に基づく総合的な強化学習フレームワークを構築した。
強化学習アルゴリズムの効率性と性能を高めるために,人間の指導に適応する新たな優先体験再生機構を提案する。
論文 参考訳(メタデータ) (2021-09-26T07:19:26Z) - To be Critical: Self-Calibrated Weakly Supervised Learning for Salient
Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。
擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。
十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文 参考訳(メタデータ) (2021-09-04T02:45:22Z) - Improving Auto-Augment via Augmentation-Wise Weight Sharing [123.71986174280741]
自動拡張検索の重要な要素は、特定の拡張ポリシーの評価プロセスである。
本稿では,モデルの強化トレーニングのダイナミクスについて検討する。
我々は,Augmentation-Wise Weight Sharing (AWS)に基づいて,高速かつ高精度な評価プロセスを構築するために,強力で効率的なプロキシタスクを設計する。
論文 参考訳(メタデータ) (2020-09-30T15:23:12Z)
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。