論文の概要: Goal recognition via model-based and model-free techniques

• arxiv url: http://arxiv.org/abs/2011.01832v1
• Date: Tue, 3 Nov 2020 16:44:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 05:12:10.780896
• Title: Goal recognition via model-based and model-free techniques
• Title（参考訳）: モデルベースおよびモデルフリー手法によるゴール認識
• Authors: Daniel Borrajo, Sriram Gopalakrishnan, Vamsi K. Potluru
• Abstract要約: 我々は、最先端の学習技術を目標認識に適用する。 モデルベースとモデルフリーのアプローチを異なるドメインで比較する。 実験によると、計画に基づくアプローチは、いくつかのゴール認識金融タスクの準備が整っている。
• 参考スコア（独自算出の注目度）: 2.513785998932353
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Goal recognition aims at predicting human intentions from a trace of observations. This ability allows people or organizations to anticipate future actions and intervene in a positive (collaborative) or negative (adversarial) way. Goal recognition has been successfully used in many domains, but it has been seldom been used by financial institutions. We claim the techniques are ripe for its wide use in finance-related tasks. The main two approaches to perform goal recognition are model-based (planning-based) and model-free (learning-based). In this paper, we adapt state-of-the-art learning techniques to goal recognition, and compare model-based and model-free approaches in different domains. We analyze the experimental data to understand the trade-offs of using both types of methods. The experiments show that planning-based approaches are ready for some goal-recognition finance tasks.
• Abstract（参考訳）: 目標認識は、観察の痕跡から人間の意図を予測することを目的としている。 この能力により、人々や組織が将来の行動を予測し、ポジティブな(協力的な)あるいはネガティブな(敵対的な)方法で介入することができる。 ゴール認識は、多くのドメインでうまく使われているが、金融機関ではほとんど使われていない。 我々は、金融関連のタスクで広く使われている技術が熟成していると主張している。 目標認識を行う主な2つのアプローチは、モデルベース(計画ベース)とモデルフリー(学習ベース)である。 本稿では,最先端学習手法を目標認識に適用し,異なる領域におけるモデルベースとモデルフリーのアプローチを比較する。 両手法のトレードオフを理解するために,実験データを分析した。 実験により、計画に基づくアプローチは、目標認識金融タスクの準備が整っていることが示された。

関連論文リスト

• Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models [51.43538150982291]
  人間の解釈可能な概念をデータから学習する方法を研究する。 両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
  論文  参考訳（メタデータ） (2024-02-14T15:23:59Z)
• One-Shot Open Affordance Learning with Foundation Models [54.15857111929812]
  私たちは、モデルがベースオブジェクトカテゴリ毎に1つの例でトレーニングされる、ワンショットのオープンアフォーダンスラーニング(OOAL)を紹介します。 本稿では,視覚的特徴と手頃なテキスト埋め込みとの整合性を高める,シンプルで効果的な設計の視覚言語フレームワークを提案する。 2つのアベイランスセグメンテーションのベンチマーク実験により、提案手法はトレーニングデータの1%未満で最先端のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-29T16:23:06Z)
• Counterfactual Fair Opportunity: Measuring Decision Model Fairness with Counterfactual Reasoning [5.626570248105078]
  本研究は,不注意条件下での公正な場合において,反実的推論を用いて不公平なモデル行動を明らかにすることを目的とする。 対物フェアという対物機会の対物バージョンを定義し、対物サンプルのセンシティブな情報を分析する2つの新しい指標を紹介した。
  論文  参考訳（メタデータ） (2023-02-16T09:13:53Z)
• Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning [114.1830997893756]
  本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。 本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-10-05T01:06:53Z)
• Adaptive learning for financial markets mixing model-based and model-free RL for volatility targeting [0.0]
  モデルフリー強化学習は安定した環境において有意義な成果を上げてきたが、今日でも金融市場のような環境の変化に問題がある。 モデルフリーな深層強化学習により,様々なモデルベースアプローチを選択することで,この2つの手法のベストを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2021-04-19T19:20:22Z)
• Model-Based Visual Planning with Self-Supervised Functional Distances [104.83979811803466]
  モデルに基づく視覚的目標達成のための自己監視手法を提案する。 私たちのアプローチは、オフラインでラベルなしのデータを使って完全に学習します。 このアプローチは,モデルフリーとモデルベース先行手法の両方で大幅に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-12-30T23:59:09Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• Goal Recognition over Imperfect Domain Models [10.599563005836066]
  ゴール認識とは、自律的なエージェントや人間の意図した目的を、その行動を観察して認識する問題である。 本稿では,不完全なドメインモデルに対するゴール認識の問題を紹介する。 文献から既存の認識アプローチを活用し,適応させることにより,不完全なドメインモデルに対する新たな目標認識アプローチを開発する。
  論文  参考訳（メタデータ） (2020-05-12T12:11:53Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。