論文の概要: Online Learning of Objects through Curiosity-Driven Active Learning
- arxiv url: http://arxiv.org/abs/2103.07758v1
- Date: Sat, 13 Mar 2021 17:42:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 09:33:50.081642
- Title: Online Learning of Objects through Curiosity-Driven Active Learning
- Title（参考訳）: 好奇心駆動型アクティブラーニングによるオブジェクトのオンライン学習
- Authors: Ali Ayub, Alan R. Wagner
- Abstract要約: 子どもたちは、最も興味をそそる概念について質問し、継続的に学びます。
ロボットが社会の不可欠な部分になるにつれ、人間に問いかけることによって、未知の概念を継続的に学ばなければならない。
本稿では,好奇心駆動型オンライン学習のための新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 9.89901717499058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Children learn continually by asking questions about the concepts they are
most curious about. With robots becoming an integral part of our society, they
must also learn unknown concepts continually by asking humans questions. This
paper presents a novel framework for curiosity-driven online learning of
objects. The paper utilizes a recent state-of-the-art approach for continual
learning and adapts it for online learning of objects. The paper further
develops a self-supervised technique to find most of the uncertain objects in
an environment by utilizing an internal representation of previously learned
classes. We test our approach on a benchmark dataset for continual learning on
robots. Our results show that our curiosity-driven online learning approach
beats random sampling and softmax-based uncertainty sampling in terms of
classification accuracy and the total number of classes learned.
- Abstract（参考訳）: 子供たちは最も興味のある概念について質問することで継続的に学習します。
ロボットが社会の不可欠な部分になるにつれ、人間に問いかけることによって、未知の概念を継続的に学ばなければならない。
本稿では,好奇心駆動型オンライン学習のための新しいフレームワークを提案する。
本稿は,最近の最先端学習手法を応用し,オブジェクトのオンライン学習に適用する。
さらに, 学習したクラスの内部表現を用いて, 環境内の不確かさのほとんどを探索する自己教師あり手法を開発した。
ロボット上で連続学習を行うためのベンチマークデータセットで,本手法をテストした。
その結果,我々の好奇心駆動型オンライン学習手法は,分類精度と学習クラス数でランダムサンプリングとソフトマックスに基づく不確実性サンプリングに勝っていることがわかった。
関連論文リスト
- A Survey of Embodied Learning for Object-Centric Robotic Manipulation [27.569063968870868]
オブジェクト中心のロボット操作のための身体学習は、AIの急速に発展し、挑戦的な分野である。
データ駆動機械学習とは異なり、具体化学習は環境との物理的相互作用を通じてロボット学習に焦点を当てる。
論文 参考訳（メタデータ） (2024-08-21T11:32:09Z) - Continual Learning: Applications and the Road Forward [119.03464063873407]
継続的学習は、機械学習モデルが、過去に学んだことを忘れずに知識を蓄積することで、新しいデータを継続的に学習できるようにすることを目的としている。
この研究は、2023年3月のDagtuhl Seminar on Deep Continual Learningで著者らが行った多くの議論の結果である。
論文 参考訳（メタデータ） (2023-11-20T16:40:29Z) - How Do Human Users Teach a Continual Learning Robot in Repeated
Interactions? [7.193217430660011]
我々は、人間が長期にわたって連続学習ロボットを教える方法を理解するために、連続学習に人間中心のアプローチをとる。
我々は,200のセッションで連続学習ロボットと対話する40名の参加者を対象に,対人調査を行った。
本研究で収集したデータの質的,定量的な分析により,個々の利用者の指導スタイルに有意な差異があることが示唆された。
論文 参考訳（メタデータ） (2023-06-30T20:29:48Z) - Learning by Asking Questions for Knowledge-based Novel Object
Recognition [64.55573343404572]
実世界のオブジェクト認識には、認識すべきオブジェクトクラスが多数存在する。教師付き学習に基づく従来の画像認識は、トレーニングデータに存在するオブジェクトクラスのみを認識できるため、現実の世界においては限定的な適用性を有する。
そこで本研究では,モデルが新たなオブジェクトを瞬時に認識するのに役立つ質問生成を通じて,外部知識を取得するための枠組みについて検討する。
我々のパイプラインは、オブジェクトベースのオブジェクト認識と、新しい知識を得るために知識を意識した質問を生成する質問生成という2つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2022-10-12T02:51:58Z) - From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven
Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。
人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。
CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文 参考訳（メタデータ） (2022-01-20T17:07:03Z) - Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。
本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。
我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳（メタデータ） (2022-01-15T15:03:17Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Actionable Models: Unsupervised Offline Reinforcement Learning of
Robotic Skills [93.12417203541948]
与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。
提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
論文 参考訳（メタデータ） (2021-04-15T20:10:11Z) - Continual Learning: Tackling Catastrophic Forgetting in Deep Neural
Networks with Replay Processes [0.0]
連続的なアルゴリズムは、忘れずに学習経験のカリキュラムで知識を蓄積し、改善するように設計されている。
生成的再生は、過去の学習経験を記憶するための生成モデルで再現する。
連続学習には非常に有望な手法であることを示す。
論文 参考訳（メタデータ） (2020-07-01T13:44:33Z)
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。