論文の概要: Learning Contact Dynamics using Physically Structured Neural Networks

• arxiv url: http://arxiv.org/abs/2102.11206v1
• Date: Mon, 22 Feb 2021 17:33:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 06:35:02.072486
• Title: Learning Contact Dynamics using Physically Structured Neural Networks
• Title（参考訳）: 物理構造ニューラルネットワークを用いた接触ダイナミクスの学習
• Authors: Andreas Hochlehnert and Alexander Terenin and Steind\'or S{\ae}mundsson and Marc Peter Deisenroth
• Abstract要約: ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
• 参考スコア（独自算出の注目度）: 81.73947303886753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning physically structured representations of dynamical systems that include contact between different objects is an important problem for learning-based approaches in robotics. Black-box neural networks can learn to approximately represent discontinuous dynamics, but they typically require large quantities of data and often suffer from pathological behaviour when forecasting for longer time horizons. In this work, we use connections between deep neural networks and differential equations to design a family of deep network architectures for representing contact dynamics between objects. We show that these networks can learn discontinuous contact events in a data-efficient manner from noisy observations in settings that are traditionally difficult for black-box approaches and recent physics inspired neural networks. Our results indicate that an idealised form of touch feedback -- which is heavily relied upon by biological systems -- is a key component of making this learning problem tractable. Together with the inductive biases introduced through the network architectures, our techniques enable accurate learning of contact dynamics from observations.
• Abstract（参考訳）: 異なる物体間の接触を含む力学系の物理的構造化表現の学習は、ロボット工学における学習ベースのアプローチにとって重要な問題である。 ブラックボックスニューラルネットワークは、不連続なダイナミクスをほぼ表わすことができるが、通常、大量のデータを必要とし、長い時間軸を予測するとき、しばしば病的行動に苦しむ。 本研究では,深層ニューラルネットワークと微分方程式の接続を用いて,物体間の接触ダイナミクスを表現する深層ネットワークアーキテクチャ群を設計する。 これらのネットワークは、ブラックボックスアプローチや最近の物理学に触発されたニューラルネットワークでは伝統的に難しい設定でのノイズ観測から、データ効率のよい方法で不連続な接触イベントを学習できることが示されている。 生体システムに大きく依存するタッチフィードバックの理想化形態は、この学習問題を扱いやすくするための重要な要素であることが示唆された。 ネットワークアーキテクチャを通じて導入される帰納的バイアスと相まって,本手法は観測からコンタクトダイナミクスの正確な学習を可能にする。

関連論文リスト

• From Lazy to Rich: Exact Learning Dynamics in Deep Linear Networks [47.13391046553908]
  人工ネットワークでは、これらのモデルの有効性はタスク固有の表現を構築する能力に依存している。 以前の研究では、異なる初期化によって、表現が静的な遅延状態にあるネットワークや、表現が動的に進化するリッチ/フィーチャーな学習体制のいずれかにネットワークを配置できることが強調されていた。 これらの解は、豊かな状態から遅延状態までのスペクトルにわたる表現とニューラルカーネルの進化を捉えている。
  論文  参考訳（メタデータ） (2024-09-22T23:19:04Z)
• On the effectiveness of neural priors in modeling dynamical systems [28.69155113611877]
  ニューラルネットワークがそのようなシステムを学ぶ際に提供するアーキテクチャの規則化について論じる。 動的システムをモデル化する際の複数の問題を解決するために,レイヤ数が少ない単純な座標ネットワークが利用できることを示す。
  論文  参考訳（メタデータ） (2023-03-10T06:21:24Z)
• Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
  ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。 臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
  論文  参考訳（メタデータ） (2022-10-06T23:50:38Z)
• Synergistic information supports modality integration and flexible learning in neural networks solving multiple tasks [107.8565143456161]
  本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。 結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。 トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
  論文  参考訳（メタデータ） (2022-10-06T15:36:27Z)
• The Neural Race Reduction: Dynamics of Abstraction in Gated Networks [12.130628846129973]
  本稿では,情報フローの経路が学習力学に与える影響をスキーマ化するGated Deep Linear Networkフレームワークを紹介する。 正確な還元と、特定の場合において、学習のダイナミクスに対する正確な解が導出されます。 我々の研究は、ニューラルネットワークと学習に関する一般的な仮説を生み出し、より複雑なアーキテクチャの設計を理解するための数学的アプローチを提供する。
  論文  参考訳（メタデータ） (2022-07-21T12:01:03Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Mastering high-dimensional dynamics with Hamiltonian neural networks [0.0]
  マップ・ビルディング・パースペクティブは、従来のニューラルネットワークよりもハミルトニアン・ニューラル・ネットワークの優位性を解明する。 その結果、データ、次元、ニューラルネットワーク学習性能の臨界関係を明らかにした。
  論文  参考訳（メタデータ） (2020-07-28T21:14:42Z)
• Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey [11.18312489268624]
  我々は、一貫した詳細な用語と表記を伴う動的ネットワークの基礎を確立する。 提案する用語を用いて,動的グラフニューラルネットワークモデルに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2020-05-13T23:56:38Z)

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。