論文の概要: Q-SMASH: Q-Learning-based Self-Adaptation of Human-Centered Internet of Things

• arxiv url: http://arxiv.org/abs/2107.05949v1
• Date: Tue, 13 Jul 2021 09:41:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:45:10.749233
• Title: Q-SMASH: Q-Learning-based Self-Adaptation of Human-Centered Internet of Things
• Title（参考訳）: Q-SMASH:人間中心のモノの自己適応
• Authors: Hamed Rahimi, Iago Felipe Trentin, Fano Ramparany, Olivier Boissier
• Abstract要約: この記事では、人間中心環境におけるIoTオブジェクトの自己適応のための強化学習に基づくアプローチであるQ-SMASHについて述べる。 Q-SMASHは、人間の価値を尊重しながらユーザの行動を学ぶことを目的としている。 Q-SMASHの学習能力は、ユーザの行動変化に適応し、より正確な意思決定を可能にする。
• 参考スコア（独自算出の注目度）: 0.8602553195689512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the number of Human-Centered Internet of Things (HCIoT) applications increases, the self-adaptation of its services and devices is becoming a fundamental requirement for addressing the uncertainties of the environment in decision-making processes. Self-adaptation of HCIoT aims to manage run-time changes in a dynamic environment and to adjust the functionality of IoT objects in order to achieve desired goals during execution. SMASH is a semantic-enabled multi-agent system for self-adaptation of HCIoT that autonomously adapts IoT objects to uncertainties of their environment. SMASH addresses the self-adaptation of IoT applications only according to the human values of users, while the behavior of users is not addressed. This article presents Q-SMASH: a multi-agent reinforcement learning-based approach for self-adaptation of IoT objects in human-centered environments. Q-SMASH aims to learn the behaviors of users along with respecting human values. The learning ability of Q-SMASH allows it to adapt itself to the behavioral change of users and make more accurate decisions in different states and situations.
• Abstract（参考訳）: ヒューマン中心のモノのインターネット(hciot)アプリケーション数が増加するにつれて、そのサービスやデバイスの自己適応は意思決定プロセスにおける環境の不確実性に対処するための基本的な要件になりつつある。 HCIoTの自己適応は、動的環境における実行時の変更を管理し、IoTオブジェクトの機能を調整することで、実行中に望ましい目標を達成することを目的としている。 SMASHは,IoTオブジェクトを環境の不確実性に自律的に適応する,HCIoTの自己適応のためのセマンティック対応マルチエージェントシステムである。 SMASHは、ユーザの行動に対処する一方で、ユーザの人的価値に応じてのみ、IoTアプリケーションの自己適応に対処する。 この記事では、人間中心環境におけるIoTオブジェクトの自己適応のためのマルチエージェント強化学習ベースのアプローチであるQ-SMASHについて述べる。 Q-SMASHは人間の価値観を尊重しながらユーザの行動を学ぶことを目的としている。 Q-SMASHの学習能力は、ユーザの行動変化に適応し、異なる状態や状況におけるより正確な意思決定を可能にする。

関連論文リスト

• SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World [50.937342998351426]
  COUT(Chain-of-User-Thought)は、新しい推論パラダイムである。 我々は、サイバー環境を認識し、パーソナライズされた要求を推論するエージェントフレームワークであるSmartAgentを紹介する。 我々の研究は、まずCOUTプロセスを定式化し、パーソナライズされたエージェント学習を具体化するための予備的な試みとして役立ちます。
  論文  参考訳（メタデータ） (2024-12-10T12:40:35Z)
• Collaborative Instance Navigation: Leveraging Agent Self-Dialogue to Minimize User Input [54.81155589931697]
  我々は,ナビゲーション中の動的エージェントと人間との相互作用を考慮したCoIN(Collaborative Instance Navigation)を提案する。 CoINに対処するために,新しいエージェント・ユーザ・インタラクションとUncerTainty Awareness (AIUTA)を提案する。 AIUTAは、最先端のメソッドに対するナビゲーションにおける競合的なパフォーマンスを実現し、ユーザの入力を処理する際の柔軟性を示している。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• Metacognition for Unknown Situations and Environments (MUSE) [3.2020845462590697]
  未知の状況と環境(MUSE)フレームワークのメタ認知を提案する。 MUSEはメタ認知プロセス、特に自己認識と自己制御を自律エージェントに統合する。 エージェントは自己認識と自己制御の大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-11-20T18:41:03Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Goal-Conditioned Q-Learning as Knowledge Distillation [136.79415677706612]
  目標条件設定における非政治強化学習と知識蒸留との関連について検討する。 これは,目標の空間が高次元である場合に,目標条件付き非政治強化学習の性能を向上させることを実証的に示す。 また,複数のスパース目標を同時に達成した場合に,この手法を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2022-08-28T22:01:10Z)
• Learning to Walk Autonomously via Reset-Free Quality-Diversity [73.08073762433376]
  品質多様性アルゴリズムは、多様かつ高いパフォーマンスのスキルからなる大規模で複雑な行動レパートリーを発見することができる。 既存のQDアルゴリズムは、手動による人間の監督と介入を必要とするエピソードリセットと同様に、多数の評価を必要とする。 本稿では,オープンエンド環境におけるロボットの自律学習に向けたステップとして,リセットフリー品質多様性最適化(RF-QD)を提案する。
  論文  参考訳（メタデータ） (2022-04-07T14:07:51Z)
• SMASH: a Semantic-enabled Multi-agent Approach for Self-adaptation of Human-centered IoT [0.8602553195689512]
  本稿では、人間中心環境におけるIoTアプリケーションの自己適応のためのマルチエージェントアプローチであるSMASHを提案する。 SMASHエージェントは、BDIエージェントモデルに基づく4層アーキテクチャを備え、人間の価値観とゴール推論、計画、行動を統合する。
  論文  参考訳（メタデータ） (2021-05-31T12:33:27Z)
• FaiR-IoT: Fairness-aware Human-in-the-Loop Reinforcement Learning for Harnessing Human Variability in Personalized IoT [0.0]
  FaiR-IoTは、適応性と公平性を意識したヒューマンインザループIoTアプリケーションのための強化学習ベースのフレームワークです。 提案手法は, (i) 人型運転支援システム, (ii) 人型運転支援システムの2つの応用について検証した。 これらの2つのアプリケーションで得られた結果は、FaiR-IoTの一般性とパーソナライズされたエクスペリエンスを提供する能力を評価します。
  論文  参考訳（メタデータ） (2021-03-30T02:30:25Z)

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。