論文の概要: Disturbances in Influence of a Shepherding Agent is More Impactful than
Sensorial Noise During Swarm Guidance
- arxiv url: http://arxiv.org/abs/2008.12708v2
- Date: Sat, 3 Oct 2020 05:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 02:23:45.736368
- Title: Disturbances in Influence of a Shepherding Agent is More Impactful than
Sensorial Noise During Swarm Guidance
- Title（参考訳）: 羊飼い剤による影響の乱れは群発声時の感覚雑音よりも影響が大きい
- Authors: Hung The Nguyen, Matthew Garratt, Lam Thu Bui, and Hussein Abbass
- Abstract要約: 羊飼いに対する騒音の影響はよく研究されている問題ではない。
羊の生息地に関する羊飼いの知覚情報のノイズを評価する。
第2に、羊飼いが羊の運動中に発生する障害力によって羊に影響を及ぼす能力の騒音を評価する。
- 参考スコア（独自算出の注目度）: 0.2624902795082451
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The guidance of a large swarm is a challenging control problem. Shepherding
offers one approach to guide a large swarm using a few shepherding agents
(sheepdogs). While noise is an inherent characteristic in many real-world
problems, the impact of noise on shepherding is not a well-studied problem. We
study two forms of noise. First, we evaluate noise in the sensorial information
received by the shepherd about the location of sheep. Second, we evaluate noise
in the ability of the sheepdog to influence sheep due to disturbance forces
occurring during actuation. We study both types of noise in this paper, and
investigate the performance of Str\"{o}mbom's approach under these actuation
and perception noises. To ensure that the parameterisation of the algorithm
creates a stable performance, we need to run a large number of simulations,
while increasing the number of random episodes until stability is achieved. We
then systematically study the impact of sensorial and actuation noise on
performance. Str\"{o}mbom's approach is found to be more sensitive to actuation
noise than perception noise. This implies that it is more important for the
shepherding agent to influence the sheep more accurately by reducing actuation
noise than attempting to reduce noise in its sensors. Moreover, different
levels of noise required different parameterisation for the shepherding agent,
where the threshold needed by an agent to decide whether or not to collect
astray sheep is different for different noise levels.
- Abstract（参考訳）: 大きな群れの誘導は、困難な制御問題である。
シェパーディングは、いくつかのシェパーディングエージェント(シェプドッグ)を使用して大きな群れを誘導する1つのアプローチを提供する。
ノイズは多くの現実世界の問題に固有の特徴であるが、羊飼いにノイズが与える影響はよく研究されている問題ではない。
我々は2種類のノイズを研究している。
まず,羊飼いが受信した羊の位置に関するセンサ情報のノイズを評価する。
第2に,羊飼いの運動時の外乱力による騒音が羊に及ぼす影響を評価する。
本稿では,両騒音について検討し,これらのアクティベーションと知覚雑音に対するstr\"{o}mbomのアプローチの性能について検討した。
アルゴリズムのパラメータ化が安定した性能を実現するためには、安定性を達成するまでランダムなエピソード数を増やしながら、多数のシミュレーションを実行する必要がある。
次に,センサとアクティベーションノイズが性能に与える影響を系統的に検討した。
str\"{o}mbomのアプローチは、知覚ノイズよりもアクチベーションノイズに敏感であることが判明した。
これは、羊飼いのエージェントが、センサーのノイズを減らすよりも、アクチベーションノイズを減らすことによって、羊により正確に影響を与えることがより重要であることを意味する。
さらに、異なるレベルのノイズは、異なるノイズレベルに対してアストレイヒツを収集するか否かを決定するために、エージェントのしきい値を決定する羊飼い剤に対して異なるパラメータ化を必要とした。
関連論文リスト
- Understanding the Effect of Noise in LLM Training Data with Algorithmic
Chains of Thought [0.0]
思考の連鎖におけるノイズが,高度に制御された環境下でのタスクパフォーマンスに与える影響について検討する。
本研究では,CoTトレース処理後に適用される局所的な雑音と,トレース処理時にエラーを伝播する大域的なノイズであるテクトダイナミックノイズの2種類を定義した。
微調整されたモデルでは、高レベルの静的ノイズに対して非常に頑健であるが、低レベルの動的ノイズに対してかなり苦労している。
論文 参考訳（メタデータ） (2024-02-06T13:59:56Z) - Label Noise: Correcting the Forward-Correction [0.0]
ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。
ラベルノイズによる過度適合に対処する手法を提案する。
本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
論文 参考訳（メタデータ） (2023-07-24T19:41:19Z) - Parameter estimation from an Ornstein-Uhlenbeck process with measurement noise [0.0]
熱雑音をハミルトンモンテカルロに匹敵する性能で効果的に分離できるアルゴリズムを提案する。
熱雑音と乗算雑音の比についての追加知識により, 2種類の雑音を正確に識別できることが示されている。
論文 参考訳（メタデータ） (2023-05-22T21:28:57Z) - Positive-incentive Noise [91.3755431537592]
騒音は様々な分野、例えば工学や学習システムにおいて深刻な問題と見なされている。
本稿では,従来の提案が常に成立するかどうかを検討することを目的とする。
$pi$-noiseは、いくつかのモデルに新しい説明を提供し、マルチタスク学習や逆トレーニングなど、いくつかの分野に新しい原則を提供する。
論文 参考訳（メタデータ） (2022-12-19T15:33:34Z) - Inference and Denoise: Causal Inference-based Neural Speech Enhancement [83.4641575757706]
本研究では、雑音の存在を介入としてモデル化することにより、因果推論パラダイムにおける音声強調(SE)課題に対処する。
提案した因果推論に基づく音声強調(CISE)は,ノイズ検出器を用いて間欠雑音音声中のクリーンフレームとノイズフレームを分離し,両フレームセットを2つのマスクベース拡張モジュール(EM)に割り当て,ノイズ条件SEを実行する。
論文 参考訳（メタデータ） (2022-11-02T15:03:50Z) - Action Noise in Off-Policy Deep Reinforcement Learning: Impact on
Exploration and Performance [5.573543601558405]
我々は,学習方針が騒音タイプ,騒音スケール,影響スケーリング要因の低減スケジュールにどのように影響するかを分析する。
我々は、Ornstein-Uhlenbeckノイズという、最も顕著な2種類のアクションノイズについて検討し、膨大な実験運動を行う。
本研究は, 騒音の種類と規模が環境依存であることを示すとともに, 行動雑音の選択を導くためのルールを導出する。
論文 参考訳（メタデータ） (2022-06-08T10:06:24Z) - Robust Meta-learning with Sampling Noise and Label Noise via
Eigen-Reptile [78.1212767880785]
Meta-learnerは、利用可能なサンプルがわずかしかないため、過度に適合する傾向がある。
ノイズの多いラベルでデータを扱う場合、メタラーナーはラベルノイズに対して非常に敏感になる可能性がある。
本稿では,タスク固有のパラメータの主要な方向でメタパラメータを更新するEigen-Reptile(ER)を提案する。
論文 参考訳（メタデータ） (2022-06-04T08:48:02Z) - Learning to Generate Realistic Noisy Images via Pixel-level Noise-aware
Adversarial Training [50.018580462619425]
我々は,PNGAN(Pixel-level Noise-aware Generative Adrial Network)という新しいフレームワークを提案する。
PNGANは、トレーニング済みのリアルデノイザーを使用して、フェイク画像とリアルノイズ画像をほぼノイズのないソリューション空間にマッピングする。
より優れたノイズフィッティングを実現するため,ジェネレータとしてSimple Multi-versa-scale Network (SMNet) を提案する。
論文 参考訳（メタデータ） (2022-04-06T14:09:02Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。
ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。
ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
論文 参考訳（メタデータ） (2020-03-03T01:32:16Z) - NoiseBreaker: Gradual Image Denoising Guided by Noise Analysis [5.645552640953684]
本稿では,画像中の支配雑音を反復的に検出し,調整したデノイザを用いて除去する段階的なデノイズ戦略を提案する。
本手法は, 遭遇した騒音の性質を把握し, 既存の騒音を新しいノイズ特性で拡張することを可能にする。
論文 参考訳（メタデータ） (2020-02-18T11:09:03Z)
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。