論文の概要: A Survey on Deep Reinforcement Learning for Audio-Based Applications
- arxiv url: http://arxiv.org/abs/2101.00240v1
- Date: Fri, 1 Jan 2021 14:15:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-16 11:05:05.086372
- Title: A Survey on Deep Reinforcement Learning for Audio-Based Applications
- Title（参考訳）: オーディオ応用のための深層強化学習に関する調査研究
- Authors: Siddique Latif, Heriberto Cuay\'ahuitl, Farrukh Pervez, Fahad
Shamshad, Hafiz Shehbaz Ali, and Erik Cambria
- Abstract要約: 深層強化学習(DRL)は人工知能(AI)の分野に革命をもたらす
DLにより、DRLは様々な分野の難解な問題を効果的に解決することができる。
DRLアルゴリズムは音声信号処理にも使用され、音声、音楽、その他の音信号から直接学習しています。
- 参考スコア（独自算出の注目度）: 15.075252303440081
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep reinforcement learning (DRL) is poised to revolutionise the field of
artificial intelligence (AI) by endowing autonomous systems with high levels of
understanding of the real world. Currently, deep learning (DL) is enabling DRL
to effectively solve various intractable problems in various fields. Most
importantly, DRL algorithms are also being employed in audio signal processing
to learn directly from speech, music and other sound signals in order to create
audio-based autonomous systems that have many promising application in the real
world. In this article, we conduct a comprehensive survey on the progress of
DRL in the audio domain by bringing together the research studies across
different speech and music-related areas. We begin with an introduction to the
general field of DL and reinforcement learning (RL), then progress to the main
DRL methods and their applications in the audio domain. We conclude by
presenting challenges faced by audio-based DRL agents and highlighting open
areas for future research and investigation.
- Abstract（参考訳）: 深層強化学習(deep reinforcement learning:drl)は、現実世界の理解度が高い自律型システムを内在させることによって、人工知能(ai)の分野に革命をもたらす。
現在、深層学習(DL)により、DRLは様々な分野の難解な問題を効果的に解決することができる。
最も重要なことに、drlアルゴリズムは音声信号処理にも使われており、音声、音楽、その他の音声信号から直接学習することで、現実世界で多くの有望なアプリケーションを持つ音声ベースの自律システムを構築する。
本稿では,音声領域におけるDRLの進展に関する包括的調査を行い,様々な音声・音楽関連分野の研究成果をまとめて紹介する。
まず、DLと強化学習(RL)の一般分野について紹介し、次に主要なDRL法とそのオーディオ分野への応用について述べる。
我々は、音声ベースのDRLエージェントが直面する課題を提示し、今後の研究・調査のオープンな領域を強調して結論付ける。
関連論文リスト
- Generative AI for Deep Reinforcement Learning: Framework, Analysis, and Use Cases [60.30995339585003]
深部強化学習(DRL)は様々な分野に広く適用されており、優れた成果を上げている。
DRLは、サンプル効率の低下や一般化の低さなど、いくつかの制限に直面している。
本稿では、これらの問題に対処し、DRLアルゴリズムの性能を向上させるために、生成AI(GAI)を活用する方法について述べる。
論文 参考訳（メタデータ） (2024-05-31T01:25:40Z) - Demystifying the Physics of Deep Reinforcement Learning-Based Autonomous Vehicle Decision-Making [6.243971093896272]
本稿では,ベースラインモデルとしてポリシー最適化に基づくDRLアルゴリズムを用い,オープンソースのAVシミュレーション環境にマルチヘッドアテンションフレームワークを付加する。
第1頭部の重みは隣接する車両の位置を符号化し、第2頭部は先頭車両のみに焦点を当てている。
論文 参考訳（メタデータ） (2024-03-18T02:59:13Z) - Deploying Deep Reinforcement Learning Systems: A Taxonomy of Challenges [13.39623605590729]
DRLシステムのデプロイにおいて,実践者が直面する課題を明らかにし,理解するために,開発者の最も人気のあるQ&AフォーラムであるStack Overflow(SO)に関する実証的研究を提案する。
フィルタと手動解析を行い,DRLの展開に関する357のSOポストを調査し,現状を調査し,DRLシステムの展開に関わる課題を特定した。
その結果、DRLの展開に対する一般的な関心が高まり、研究の妥当性と重要性が確認されている。
論文 参考訳（メタデータ） (2023-08-23T21:44:09Z) - A Survey of Meta-Reinforcement Learning [69.76165430793571]
我々は,メタRLと呼ばれるプロセスにおいて,機械学習問題自体として,より優れたRLアルゴリズムを開発した。
本稿では,タスク分布の存在と各タスクに利用可能な学習予算に基づいて,高レベルでメタRL研究をクラスタ化する方法について議論する。
RL実践者のための標準ツールボックスにメタRLを組み込むことの道程について,オープンな問題を提示することによって,結論を下す。
論文 参考訳（メタデータ） (2023-01-19T12:01:41Z) - Automated Reinforcement Learning (AutoRL): A Survey and Open Problems [92.73407630874841]
AutoRL(Automated Reinforcement Learning)には、AutoMLの標準的なアプリケーションだけでなく、RL特有の課題も含まれている。
我々は共通の分類法を提供し、各領域を詳細に議論し、今後の研究者にとって関心のあるオープンな問題を提起する。
論文 参考訳（メタデータ） (2022-01-11T12:41:43Z) - Accelerating Robotic Reinforcement Learning via Parameterized Action
Primitives [92.0321404272942]
強化学習は汎用ロボットシステムの構築に使用することができる。
しかし、ロボット工学の課題を解決するためにRLエージェントを訓練することは依然として困難である。
本研究では,ロボット行動プリミティブ(RAPS)のライブラリを手動で指定し,RLポリシーで学習した引数をパラメータ化する。
動作インターフェースへの簡単な変更は、学習効率とタスクパフォーマンスの両方を大幅に改善する。
論文 参考訳（メタデータ） (2021-10-28T17:59:30Z) - How to Train Your Robot with Deep Reinforcement Learning; Lessons We've
Learned [111.06812202454364]
本稿では,ロボット深部RLのケーススタディをいくつか紹介する。
深部RLにおける一般的な課題と,それらの課題について論じる。
また、他の卓越した課題についても概説し、その多くが現実世界のロボティクスの設定に特有のものである。
論文 参考訳（メタデータ） (2021-02-04T22:09:28Z) - Deep Reinforcement Learning and Transportation Research: A Comprehensive
Review [0.0]
DRLの数学的背景、人気があり有望なDRLアルゴリズム、高効率なDRL拡張について概説する。
本稿では, DRL技術の適用性, 強度, 欠点, 一般, 応用に特有な課題について検討する。
論文 参考訳（メタデータ） (2020-10-13T05:23:11Z) - RL Unplugged: A Suite of Benchmarks for Offline Reinforcement Learning [108.9599280270704]
オフラインのRL手法を評価・比較するためのRL Unpluggedというベンチマークを提案する。
RL Unpluggedにはゲームやシミュレートされたモーター制御問題を含むさまざまな領域のデータが含まれている。
本論文で提示した全タスクのデータと,全アルゴリズムをオープンソースとして公開する。
論文 参考訳（メタデータ） (2020-06-24T17:14:51Z) - Deep Reinforcement Learning for Autonomous Driving: A Survey [0.3694429692322631]
このレビューは、深層強化学習(DRL)アルゴリズムを要約し、自動走行タスクの分類を提供する。
また、振る舞いのクローン化、模倣学習、逆強化学習など、古典的なRLアルゴリズムとは無関係な隣接領域についても記述する。
トレーニングエージェントにおけるシミュレータの役割,RLにおける既存ソリューションの検証,テスト,堅牢化手法について論じる。
論文 参考訳（メタデータ） (2020-02-02T18:21:22Z)
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。