論文の概要: My Body is a Cage: the Role of Morphology in Graph-Based Incompatible Control

• arxiv url: http://arxiv.org/abs/2010.01856v2
• Date: Wed, 14 Apr 2021 09:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 20:37:57.019962
• Title: My Body is a Cage: the Role of Morphology in Graph-Based Incompatible Control
• Title（参考訳）: 私の体はケージだ:グラフベース不適合制御における形態学の役割
• Authors: Vitaly Kurin, Maximilian Igl, Tim Rockt\"aschel, Wendelin Boehmer, Shimon Whiteson
• Abstract要約: 本稿では,グラフにエンコードされた形態情報により,その性能が向上しないことを示す既存手法に関する一連のアブリケーションを示す。 グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、Amorpheusも提案する。
• 参考スコア（独自算出の注目度）: 65.77164390203396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multitask Reinforcement Learning is a promising way to obtain models with better performance, generalisation, data efficiency, and robustness. Most existing work is limited to compatible settings, where the state and action space dimensions are the same across tasks. Graph Neural Networks (GNN) are one way to address incompatible environments, because they can process graphs of arbitrary size. They also allow practitioners to inject biases encoded in the structure of the input graph. Existing work in graph-based continuous control uses the physical morphology of the agent to construct the input graph, i.e., encoding limb features as node labels and using edges to connect the nodes if their corresponded limbs are physically connected. In this work, we present a series of ablations on existing methods that show that morphological information encoded in the graph does not improve their performance. Motivated by the hypothesis that any benefits GNNs extract from the graph structure are outweighed by difficulties they create for message passing, we also propose Amorpheus, a transformer-based approach. Further results show that, while Amorpheus ignores the morphological information that GNNs encode, it nonetheless substantially outperforms GNN-based methods that use the morphological information to define the message-passing scheme.
• Abstract（参考訳）: マルチタスク強化学習は、よりよいパフォーマンス、一般化、データ効率、堅牢性を備えたモデルを得るための有望な方法である。 ほとんどの既存の作業は、状態とアクション空間の寸法がタスク間で同じである互換性のある設定に限られています。 グラフニューラルネットワーク(GNN)は、任意のサイズのグラフを処理することができるため、互換性のない環境に対処する方法のひとつだ。 また、実践者は入力グラフの構造に符号化されたバイアスを注入することができる。 グラフベースの連続制御における既存の作業では、入力グラフを構成するためにエージェントの物理的形態を使い、例えば、四肢の特徴をノードラベルとしてエンコードし、対応する四肢が物理的に接続されている場合、エッジを使用してノードを接続する。 本研究では,グラフに符号化された形態情報により,その性能が向上しないことを示す既存手法に関する一連の説明を行う。 グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、変換器に基づくアプローチであるAmorpheusも提案する。 さらに、AmorpheusはGNNが符号化した形態情報を無視するが、しかしながら、その形態情報を用いてメッセージパッシングスキームを定義するGNNベースの手法を著しく上回っている。

関連論文リスト

• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• GRAFENNE: Learning on Graphs with Heterogeneous and Dynamic Feature Sets [19.71442902979904]
  グラフニューラルネットワーク(GNN)は、グラフの各ノードを特徴付ける静的な特徴セットの仮定に基づいて構築される。 本稿では,GRAFENNE と呼ばれる新しい GNN フレームワークを用いて,制約に対処する。 Wesfeiler-Leman テストでは,GRAFENNE が既存のメッセージパス GNN よりも少なくとも表現力が高いことが証明されている。
  論文  参考訳（メタデータ） (2023-06-06T07:00:24Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。