論文の概要: How to Train Your Differentiable Filter
- arxiv url: http://arxiv.org/abs/2012.14313v1
- Date: Mon, 28 Dec 2020 15:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 10:54:56.809090
- Title: How to Train Your Differentiable Filter
- Title(参考訳): 差別化可能なフィルターのトレーニング方法
- Authors: Alina Kloss, Georg Martius and Jeannette Bohg
- Abstract要約: 非構造化学習アプローチと手動で調整されたフィルタリングアルゴリズムの両方に対して、差別化可能なフィルタの利点を検討する。
具体的には,dfsにおいて不確実性モデルがいかに複雑かを評価する。
- 参考スコア(独自算出の注目度): 23.108005930763586
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In many robotic applications, it is crucial to maintain a belief about the
state of a system, which serves as input for planning and decision making and
provides feedback during task execution. Bayesian Filtering algorithms address
this state estimation problem, but they require models of process dynamics and
sensory observations and the respective noise characteristics of these models.
Recently, multiple works have demonstrated that these models can be learned by
end-to-end training through differentiable versions of recursive filtering
algorithms. In this work, we investigate the advantages of differentiable
filters (DFs) over both unstructured learning approaches and manually-tuned
filtering algorithms, and provide practical guidance to researchers interested
in applying such differentiable filters. For this, we implement DFs with four
different underlying filtering algorithms and compare them in extensive
experiments. Specifically, we (i) evaluate different implementation choices and
training approaches, (ii) investigate how well complex models of uncertainty
can be learned in DFs, (iii) evaluate the effect of end-to-end training through
DFs and (iv) compare the DFs among each other and to unstructured LSTM models.
- Abstract(参考訳): 多くのロボットアプリケーションにおいて、計画と意思決定のインプットとして機能し、タスク実行中にフィードバックを提供するシステムの状態に対する信念を維持することが不可欠である。
ベイズフィルタアルゴリズムはこの状態推定問題に対処するが、プロセス力学と感覚観測のモデルとこれらのモデルのそれぞれのノイズ特性を必要とする。
近年、複数の研究が再帰的フィルタリングアルゴリズムの微分可能なバージョンを通して、これらのモデルをエンドツーエンドのトレーニングによって学習できることを実証している。
本研究では,非構造化学習アプローチと手動調整フィルタリングアルゴリズムに対する微分可能フィルタ(dfs)のアドバンテージを調査し,そのような微分可能フィルタの適用に関心のある研究者に実用的なガイダンスを提供する。
そこで我々は,4つの異なるフィルタリングアルゴリズムを用いてDFを実装し,実験を行った。
具体的には、(i)異なる実施選択とトレーニングアプローチを評価し、(ii)DFにおいて不確実性の複雑なモデルがどのように学習できるかを調査し、(iii)DFによるエンドツーエンドトレーニングの効果を評価し、(iv)DFと非構造化LSTMモデルを比較した。
関連論文リスト
- Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳(メタデータ) (2022-05-05T13:40:08Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳(メタデータ) (2021-12-07T11:26:41Z) - Iterated Block Particle Filter for High-dimensional Parameter Learning:
Beating the Curse of Dimensionality [1.8275108630751844]
高次元、部分的に観察され、非線形過程のための時間的疾患学習は方法論的な課題である。
グラフ状態空間モデル上で高次元推論パラメータを学習するための反復ブロック粒子フィルタ(IBPF)を提案する。
論文 参考訳(メタデータ) (2021-10-20T19:36:55Z) - Fast Variational AutoEncoder with Inverted Multi-Index for Collaborative
Filtering [59.349057602266]
変分オートエンコーダ (VAE) は, 協調フィルタリングの非線形手法として拡張されている。
内積に基づくソフトマックス確率を逆多重インデックスに基づいて分解する。
FastVAEはサンプリング品質と効率の両面で最先端のベースラインを上回っます。
論文 参考訳(メタデータ) (2021-09-13T08:31:59Z) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳(メタデータ) (2021-07-27T08:59:39Z) - Automated Evolutionary Approach for the Design of Composite Machine
Learning Pipelines [48.7576911714538]
提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。
パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。
このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
論文 参考訳(メタデータ) (2021-06-26T23:19:06Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Multitarget Tracking with Transformers [21.81266872964314]
マルチターゲットトラッキング(MTT)は、ノイズの多い測定を使用して未知のオブジェクトの数の状態を追跡する問題です。
本稿では,Transformer アーキテクチャに基づく MTT の高性能深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-04-01T19:14:55Z) - Model-agnostic interpretation by visualization of feature perturbations [0.0]
粒子群最適化アルゴリズムによって誘導される特徴の摂動を可視化し,モデルに依存しない解釈手法を提案する。
我々は,公開データセットに対して質的かつ定量的にアプローチを検証する。
論文 参考訳(メタデータ) (2021-01-26T00:53:29Z)
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。