論文の概要: What is the Reward for Handwriting? -- Handwriting Generation by Imitation Learning

• arxiv url: http://arxiv.org/abs/2009.10962v1
• Date: Wed, 23 Sep 2020 07:04:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 16:20:48.875483
• Title: What is the Reward for Handwriting? -- Handwriting Generation by Imitation Learning
• Title（参考訳）: 手書きの報酬は何ですか。 --模倣学習による筆跡生成
• Authors: Keisuke Kanda, Brian Kenji Iwana, Seiichi Uchida
• Abstract要約: 今後の計画能力に配慮した手書き文字生成を実現するために,強化学習フレームワークを用いた。 このアルゴリズムにはGAIL(Generative Adversarial mimicion Learning)を用いる。 言い換えれば、GAILを通じて、手書きの例から手書き生成プロセスの報酬を理解することができる。
• 参考スコア（独自算出の注目度）: 12.9611801481722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing the handwriting generation process is an important issue and has been tackled by various generation models, such as kinematics based models and stochastic models. In this study, we use a reinforcement learning (RL) framework to realize handwriting generation with the careful future planning ability. In fact, the handwriting process of human beings is also supported by their future planning ability; for example, the ability is necessary to generate a closed trajectory like '0' because any shortsighted model, such as a Markovian model, cannot generate it. For the algorithm, we employ generative adversarial imitation learning (GAIL). Typical RL algorithms require the manual definition of the reward function, which is very crucial to control the generation process. In contrast, GAIL trains the reward function along with the other modules of the framework. In other words, through GAIL, we can understand the reward of the handwriting generation process from handwriting examples. Our experimental results qualitatively and quantitatively show that the learned reward catches the trends in handwriting generation and thus GAIL is well suited for the acquisition of handwriting behavior.
• Abstract（参考訳）: 筆跡生成プロセスの解析は重要な問題であり、キネマティクスに基づくモデルや確率モデルなど、様々な世代モデルによって取り組まれてきた。 本研究では,強化学習(rl)フレームワークを用いて,注意深い将来計画能力を備えた手書き文字生成を実現する。 実際、人間の手書きのプロセスは将来の計画能力によっても支持されており、例えば、マルコフモデルのような近視モデルでは生成できないため、「0」のような閉じた軌道を生成する能力が必要である。 本アルゴリズムでは, GAIL (generative adversarial mimicion learning) を用いる。 典型的なrlアルゴリズムは報酬関数を手動で定義する必要があるが、これは生成プロセスを制御する上で非常に重要である。 対照的に、gailはフレームワークの他のモジュールとともに報酬関数をトレーニングする。 言い換えれば、GAILを通じて、手書きの例から手書き生成プロセスの報酬を理解することができる。 実験結果から,学習した報酬が手書き生成の傾向をキャッチし,GAILが手書き動作の獲得に適していることが示唆された。

関連論文リスト

• Self-Supervised Representation Learning for Online Handwriting Text Classification [0.8594140167290099]
  本稿では,日本語と中国語の個人によるオンライン筆跡から情報表現を抽出するための事前学習の前提として,新しいストロークマスキング(POSM)を提案する。 抽出した表現の質を評価するために,本質的評価法と外生的評価法の両方を用いる。 事前訓練されたモデルは、作家の識別、性別分類、手書きの分類といったタスクにおいて、最先端の結果を達成するために微調整される。
  論文  参考訳（メタデータ） (2023-10-10T14:07:49Z)
• Continual Zero-Shot Learning through Semantically Guided Generative Random Walks [56.65465792750822]
  生成モデルを利用して、学習中に見えない情報が提供されない連続ゼロショット学習の課題に対処する。 本稿では,新しい意味誘導型生成ランダムウォーク(GRW)損失を用いた学習アルゴリズムを提案する。 提案アルゴリズムは,AWA1,AWA2,CUB,SUNデータセットの最先端性能を達成し,既存のCZSL手法を3～7%上回る結果を得た。
  論文  参考訳（メタデータ） (2023-08-23T18:10:12Z)
• Improving Accuracy and Explainability of Online Handwriting Recognition [0.9176056742068814]
  我々は,OnHW-charsデータセット上で手書き認識モデルを開発し,先行モデルの精度を向上させる。 私たちの結果は公開リポジトリを通じて検証可能で再現可能です。
  論文  参考訳（メタデータ） (2022-09-14T21:28:14Z)
• Drawing out of Distribution with Neuro-Symbolic Generative Models [49.79371715591122]
  ドローイング・アウト・オブ・ディストリクト(英: Drawing out of Distribution)は、ストローク・ベース・ドローイングの神経象徴的生成モデルである。 DooDは画像を直接操作するが、監視や高価なテストタイム推論は必要ない。 我々は、データとタスクをまたいだ一般化能力について、DooDを評価した。
  論文  参考訳（メタデータ） (2022-06-03T21:40:22Z)
• Towards Document-Level Paraphrase Generation with Sentence Rewriting and Reordering [88.08581016329398]
  文書レベルのパラフレーズ生成のためのCoRPG(Coherence Relation Guided Paraphrase Generation)を提案する。 グラフGRUを用いて、コヒーレンス関係グラフを符号化し、各文のコヒーレンス対応表現を得る。 我々のモデルは、より多様性とセマンティックな保存を伴う文書パラフレーズを生成することができる。
  論文  参考訳（メタデータ） (2021-09-15T05:53:40Z)
• Structural Information Preserving for Graph-to-Text Generation [59.00642847499138]
  グラフ・トゥ・テキスト生成の課題は、入力グラフの意味を保存した文を生成することである。 入力情報を保存するためのモデルとして,より豊かなトレーニング信号を活用することで,この問題に取り組むことを提案する。 グラフからテキストへの生成のための2つのベンチマークに関する実験は、最先端のベースラインに対するアプローチの有効性を示しています。
  論文  参考訳（メタデータ） (2021-02-12T20:09:01Z)
• Diffusion models for Handwriting Generation [0.0]
  本稿では,手書き文字生成のための拡散確率モデルを提案する。 本手法では,テキスト認識,書き手スタイル,あるいは敵対的損失関数の使用は不要である。 本モデルでは,画像データから直接文字スタイリスティックな特徴を組み込むことができ,サンプリング時のユーザインタラクションを不要にすることができる。
  論文  参考訳（メタデータ） (2020-11-13T00:31:22Z)
• Unsupervised Paraphrasing with Pretrained Language Models [85.03373221588707]
  教師なし環境で,事前学習した言語モデルを用いて高品質なパラフレーズを生成する訓練パイプラインを提案する。 提案手法は,タスク適応,自己スーパービジョン,動的ブロッキング(Dynamic Blocking)という新しい復号アルゴリズムから構成される。 提案手法は,Quora Question PairとParaNMTの両方のデータセット上で,最先端の性能を達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T11:55:28Z)
• Neural Language Modeling for Contextualized Temporal Graph Generation [49.21890450444187]
  本稿では,大規模事前学習言語モデルを用いた文書のイベントレベル時間グラフの自動生成に関する最初の研究について述べる。
  論文  参考訳（メタデータ） (2020-10-20T07:08:00Z)
• Handwriting Quality Analysis using Online-Offline Models [4.61479186986544]
  この研究は、先進的なデジタル教育ツールの開発を可能にする革新的なeラーニングプロジェクトの一部である。 間違いを自動的に検知し、子供たちの書き方に対するリアルタイムなフィードバックを与え、教師が子供の書き方を理解して評価するのを助ける。
  論文  参考訳（メタデータ） (2020-10-09T14:33:56Z)

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。