論文の概要: The Difficulty of Novelty Detection in Open-World Physical Domains: An
Application to Angry Birds
- arxiv url: http://arxiv.org/abs/2106.08670v1
- Date: Wed, 16 Jun 2021 10:14:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:27:01.617096
- Title: The Difficulty of Novelty Detection in Open-World Physical Domains: An
Application to Angry Birds
- Title(参考訳): オープンワールド物理領域における新奇性検出の難しさ--angry birdsへの応用
- Authors: Vimukthini Pinto, Cheng Xue, Chathura Nagoda Gamage and Jochen Renz
- Abstract要約: 本稿では,オープンワールドな物理領域に着目した新規性検出の難しさを定量化する手法を提案する。
我々は,一般的な物理シミュレーションゲーム,Angry Birdsに本手法を適用した。
その結果、計算された難易度値は、人間のプレーヤーの検知難度と一致していることがわかった。
- 参考スコア(独自算出の注目度): 3.6130723421895956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting and responding to novel situations in open-world environments is a
key capability of human cognition. Current artificial intelligence (AI)
researchers strive to develop systems that can perform in open-world
environments. Novelty detection is an important ability of such AI systems. In
an open-world, novelties appear in various forms and the difficulty to detect
them varies. Therefore, to accurately evaluate the detection capability of AI
systems, it is necessary to investigate the difficulty to detect novelties. In
this paper, we propose a qualitative physics-based method to quantify the
difficulty of novelty detection focusing on open-world physical domains. We
apply our method in a popular physics simulation game, Angry Birds. We conduct
an experiment with human players with different novelties in Angry Birds to
validate our method. Results indicate that the calculated difficulty values are
in line with the detection difficulty of the human players.
- Abstract(参考訳): オープンワールド環境における新しい状況の検出と応答は、人間の認知の重要な能力である。
現在の人工知能(AI)研究者は、オープンワールド環境で実行可能なシステムの開発に取り組んでいる。
ノベルティ検出は、そのようなAIシステムの重要な能力である。
オープンワールドでは、ノベルティは様々な形で現れ、それらを検出するのが困難である。
したがって、AIシステムの検出能力を正確に評価するには、新規性の検出の困難さを調査する必要がある。
本稿では,オープンワールドな物理領域に着目した新規性検出の難しさを定量化する定性物理に基づく手法を提案する。
我々は,一般的な物理シミュレーションゲームAngry Birdsに本手法を適用した。
我々はangry birdsの異なるノベルティを持つ人間と実験を行い,その方法を検証する。
その結果,計算された難易度値は,人間の検出難易度と一致していることがわかった。
関連論文リスト
- Life, uh, Finds a Way: Systematic Neural Search [2.163881720692685]
エージェントの動作に迅速に適応して、設定における継続的な問題を解決するという課題に取り組みます。
深層強化学習に焦点をあてる代わりに,探索手順の物理的表現としての視聴行動を提案する。
本稿では,行動実行とグラフの突然変異の間の厳密なフィードバックループを調節することにより,行動の暗黙的な列挙を行うアルゴリズムについて述べる。
論文 参考訳(メタデータ) (2024-10-02T09:06:54Z) - Assaying on the Robustness of Zero-Shot Machine-Generated Text Detectors [57.7003399760813]
先進的なLarge Language Models (LLMs) とその特殊な変種を探索し、いくつかの方法でこの分野に寄与する。
トピックと検出性能の間に有意な相関関係が発見された。
これらの調査は、様々なトピックにまたがるこれらの検出手法の適応性と堅牢性に光を当てた。
論文 参考訳(メタデータ) (2023-12-20T10:53:53Z) - Towards Possibilities & Impossibilities of AI-generated Text Detection:
A Survey [97.33926242130732]
大規模言語モデル(LLM)は、自然言語処理(NLP)の領域に革命をもたらし、人間のようなテキスト応答を生成する能力を持つ。
これらの進歩にもかかわらず、既存の文献のいくつかは、LLMの潜在的な誤用について深刻な懸念を提起している。
これらの懸念に対処するために、研究コミュニティのコンセンサスは、AI生成テキストを検出するアルゴリズムソリューションを開発することである。
論文 参考訳(メタデータ) (2023-10-23T18:11:32Z) - Challenges in Visual Anomaly Detection for Mobile Robots [65.53820325712455]
視覚に基づく自律移動ロボットの異常検出作業について考察する。
関連した視覚異常の種類を分類し,教師なしの深層学習手法で検出する方法について議論する。
論文 参考訳(メタデータ) (2022-09-22T13:26:46Z) - Measuring Difficulty of Novelty Reaction [4.904394978346107]
現在のAIシステムは、根底にある世界が多かれ少なかれ同じであるという仮定で、近世界の問題を解決するように設計されている。
オープンワールドのノベルティを扱うことは、ノベルティの難しさに関する重要な疑問を提起する。
あるノベルティが他のものよりも扱いにくいかどうかを知ることは、研究者がシステムを体系的に訓練するのに役立ちます。
論文 参考訳(メタデータ) (2022-07-28T02:16:07Z) - NovelCraft: A Dataset for Novelty Detection and Discovery in Open Worlds [14.265615838391703]
NovelCraftデータセットには、修正されたMinecraft環境内のpogoスティックアセンブリタスクを完了したエージェントが見るイメージと象徴的な世界状態のエピソードデータが含まれている。
我々のビジュアルノベルティ検出ベンチマークは、一般的な領域内測定値で最上位の手法は、より単純な代替手段により性能が向上する可能性があることを見出した。
さらにマルチモーダルなノベルティ検出実験により、視覚情報とシンボル情報を融合する手法は、検出までの時間と全体的な識別を改善することが示唆された。
論文 参考訳(メタデータ) (2022-06-23T14:31:33Z) - Deep Video Anomaly Detection: Opportunities and Challenges [12.077052764803161]
異常検出は様々な研究状況において人気があり重要な課題である。
ディープラーニングは、音響、画像、自然言語処理など、いくつかの領域でその能力を示している。
このようなインテリジェントなシステムが私たちの日常生活で実現できれば、多くのメリットがあります。
論文 参考訳(メタデータ) (2021-10-11T08:41:51Z) - Towards Open World Object Detection [68.79678648726416]
ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。
未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
論文 参考訳(メタデータ) (2021-03-03T18:58:18Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳(メタデータ) (2020-10-27T09:56:16Z) - Deep Learning for Anomaly Detection: A Review [150.9270911031327]
本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。
我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
論文 参考訳(メタデータ) (2020-07-06T02:21:16Z) - Deep Learning for Sensor-based Human Activity Recognition: Overview,
Challenges and Opportunities [52.59080024266596]
本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。
まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。
次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
論文 参考訳(メタデータ) (2020-01-21T09:55:59Z)
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。