論文の概要: Grid-to-Graph: Flexible Spatial Relational Inductive Biases for Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2102.04220v1
• Date: Mon, 8 Feb 2021 14:15:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-09 15:34:32.548831
• Title: Grid-to-Graph: Flexible Spatial Relational Inductive Biases for Reinforcement Learning
• Title（参考訳）: grid-to-graph:フレキシブルな空間リレーショナルインダクティブバイアスによる強化学習
• Authors: Zhengyao Jiang, Pasquale Minervini, Minqi Jiang, Tim Rocktaschel
• Abstract要約: 我々は、関係グラフの形式でエンコードされた関係帰納バイアスをエージェントに組み込むことができることを示す。 本稿ではグリッド構造から有意な帰納バイアスを持つ関係グラフへのマッピングであるグリッド・トゥ・グラフ(GTG)を提案する。 我々は,GTGが知識ベースにおける観察と環境エンコードされたダイナミックスに対して共同で推論可能なエージェントを生成することを示す。
• 参考スコア（独自算出の注目度）: 8.169818701603313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although reinforcement learning has been successfully applied in many domains in recent years, we still lack agents that can systematically generalize. While relational inductive biases that fit a task can improve generalization of RL agents, these biases are commonly hard-coded directly in the agent's neural architecture. In this work, we show that we can incorporate relational inductive biases, encoded in the form of relational graphs, into agents. Based on this insight, we propose Grid-to-Graph (GTG), a mapping from grid structures to relational graphs that carry useful spatial relational inductive biases when processed through a Relational Graph Convolution Network (R-GCN). We show that, with GTG, R-GCNs generalize better both in terms of in-distribution and out-of-distribution compared to baselines based on Convolutional Neural Networks and Neural Logic Machines on challenging procedurally generated environments and MinAtar. Furthermore, we show that GTG produces agents that can jointly reason over observations and environment dynamics encoded in knowledge bases.
• Abstract（参考訳）: 近年,多くの領域で強化学習が適用されているが,体系的に一般化できるエージェントはいまだに存在しない。 タスクに適したリレーショナルインダクティブバイアスはrlエージェントの一般化を改善するが、これらのバイアスはエージェントの神経アーキテクチャ内で直接ハードコードされる。 本研究では,関係グラフの形式で符号化された関係帰納バイアスをエージェントに組み込むことができることを示す。 そこで本研究では,R-GCN(Relational Graph Convolution Network)を用いて,グリッド構造からリレーショナルグラフへのマッピングを行い,有用な空間的関係性インダクティブバイアスを記述したGTG(Grid-to-Graph)を提案する。 gtgでは,畳み込みニューラルネットワークに基づくベースラインと,手続き的生成環境やミナタールにおけるニューラルネットワークマシンと比較して,r-gcnsは分布内および分布外の両方において,より汎用的であることを示す。 さらに、GTGは、知識ベースに符号化された観察と環境動態を共同で推論できるエージェントを生成する。

関連論文リスト

• Understanding the Effect of GCN Convolutions in Regression Tasks [8.299692647308323]
  グラフ畳み込みネットワーク(GCN)は、グラフ上の関数をモデル化する機械学習において重要な手法となっている。 本稿では、同好ネットワーク上の回帰タスクにおける畳み込み演算子の影響を公式解析する。
  論文  参考訳（メタデータ） (2024-10-26T04:19:52Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
  グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。 本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Beyond Graph Convolutional Network: An Interpretable Regularizer-centered Optimization Framework [12.116373546916078]
  グラフ畳み込みネットワーク(GCN)は、性能向上と強力な一般化により、広く注目を集めている。 本稿では,ほとんどのGCNを解釈可能な正規化器中心最適化フレームワークを提案する。 提案フレームワークでは,グラフデータからトポロジとセマンティック構造を捉えるために,二重正規化グラフ畳み込みネットワーク(dubed tsGCN)を考案した。
  論文  参考訳（メタデータ） (2023-01-11T05:51:33Z)
• Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
  グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。 スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-11T23:44:20Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Complex-Value Spatio-temporal Graph Convolutional Neural Networks and its Applications to Electric Power Systems AI [24.914412344973996]
  グラフ畳み込みニューラルネットワーク(GCN)を複素領域に一般化する。 複素数値GCNは、基礎となるグラフサポートの摂動に対して安定であることを示す。 我々は複雑なGCNを電力グリッド状態予測、電力グリッド攻撃検出、局所化に適用する。
  論文  参考訳（メタデータ） (2022-08-17T18:56:48Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Learning Connectivity with Graph Convolutional Networks for Skeleton-based Action Recognition [14.924672048447338]
  グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。 本手法の設計原理は制約対象関数の最適化に基づいている。 骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-12-06T19:43:26Z)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)

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。