論文の概要: Learning to Transfer: A Foliated Theory
- arxiv url: http://arxiv.org/abs/2107.10763v1
- Date: Thu, 22 Jul 2021 15:46:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 14:04:20.639847
- Title: Learning to Transfer: A Foliated Theory
- Title(参考訳): 転校への学習:葉のついた理論
- Authors: Janith Petangoda, Marc Peter Deisenroth and Nicholas A. M. Monk
- Abstract要約: 伝達の学習は、関連する知識を新しい関連するタスクに移すことができるような方法で、タスクへの学習ソリューションを考える。
これは、一般的な学習だけでなく、学習プロセスの効率向上にも重要である。
このような基礎を提供する葉の微分幾何学的理論を用いた枠組みを導入する。
- 参考スコア(独自算出の注目度): 18.58482811176484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning to transfer considers learning solutions to tasks in a such way that
relevant knowledge can be transferred from known task solutions to new, related
tasks. This is important for general learning, as well as for improving the
efficiency of the learning process. While techniques for learning to transfer
have been studied experimentally, we still lack a foundational description of
the problem that exposes what related tasks are, and how relationships between
tasks can be exploited constructively. In this work, we introduce a framework
using the differential geometric theory of foliations that provides such a
foundation.
- Abstract(参考訳): learning to transferは、関連する知識を既知のタスクソリューションから新しい関連するタスクに移すことができるように、タスクへの学習ソリューションを考える。
これは、一般的な学習だけでなく、学習プロセスの効率向上にも重要である。
移動学習技術は実験的に研究されているが、関連するタスクが何であるか、どのようにタスク間の関係を構築的に活用できるかを明らかにするための基礎的な説明はいまだに欠けている。
本稿では,そのような基礎を提供する葉の微分幾何学的理論を用いた枠組みを提案する。
関連論文リスト
- Feasibility of Transfer Learning: A Mathematical Framework [4.530876736231948]
それは、必要な数学的概念を確立し、伝達学習のための数学的枠組みを構築することから始まる。
そして、3段階の転送学習手順を最適化問題として特定・定式化し、実現可能性問題の解決を可能にする。
論文 参考訳(メタデータ) (2023-05-22T12:44:38Z) - Online Continual Learning via the Knowledge Invariant and Spread-out
Properties [4.109784267309124]
継続的な学習の鍵となる課題は破滅的な忘れ方だ。
知識不変性とスプレッドアウト特性(OCLKISP)を用いたオンライン連続学習法を提案する。
提案手法を,CIFAR 100, Split SVHN, Split CUB200, Split Tiny-Image-Netの4つのベンチマークで実証的に評価した。
論文 参考訳(メタデータ) (2023-02-02T04:03:38Z) - Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。
知識の抽出と知識の記憶という2つの側面から問題に取り組む。
提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
論文 参考訳(メタデータ) (2022-08-27T09:27:36Z) - Saliency-Regularized Deep Multi-Task Learning [7.3810864598379755]
マルチタスク学習は、知識を共有するために複数の学習タスクを強制し、一般化能力を改善する。
現代のディープマルチタスク学習は、潜在機能とタスク共有を共同で学習することができるが、それらはタスク関係において不明瞭である。
本稿では,潜在的特徴と明示的な課題関係を共同で学習するマルチタスク学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-03T20:26:44Z) - Multi-Source Transfer Learning for Deep Model-Based Reinforcement
Learning [0.6445605125467572]
強化学習における重要な課題は、エージェントが与えられたタスクをマスターするために必要な環境との相互作用の数を減らすことである。
伝達学習は、以前に学習したタスクから知識を再利用することでこの問題に対処することを提案する。
本研究の目的は,モジュール型マルチソーストランスファー学習技術を用いて,これらの課題に対処することである。
論文 参考訳(メタデータ) (2022-05-28T12:04:52Z) - Rethinking Learning Dynamics in RL using Adversarial Networks [79.56118674435844]
本稿では,スキル埋め込み空間を通じてパラメータ化された,密接に関連するスキルの強化学習のための学習機構を提案する。
本研究の主な貢献は、エントロピー規則化政策勾配定式化の助けを借りて、強化学習のための敵の訓練体制を定式化することである。
論文 参考訳(メタデータ) (2022-01-27T19:51:09Z) - 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) - Relational Experience Replay: Continual Learning by Adaptively Tuning
Task-wise Relationship [54.73817402934303]
本稿では,2段階の学習フレームワークである経験連続再生(ERR)を提案する。
ERRは、すべてのベースラインの性能を一貫して改善し、現在の最先端の手法を超えることができる。
論文 参考訳(メタデータ) (2021-12-31T12:05:22Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳(メタデータ) (2020-10-27T13:17:18Z) - Importance Weighted Policy Learning and Adaptation [89.46467771037054]
政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。
このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。
提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
論文 参考訳(メタデータ) (2020-09-10T14:16:58Z) - A Foliated View of Transfer Learning [13.71317837122096]
トランスファーラーニングは、既知のソリューションから関連するタスクに関連知識を移すことによって、新しいタスクが解決される学習プロセスを考える。
これは実験的に研究されているが、関連するタスクが何か、どのように悪用されるのかを明らかにする転写学習に関する基礎的な記述が欠けている。
本稿では,タスク間の関連性を定義し,このような関係を表現する数学的枠組みとして葉を同定する。
論文 参考訳(メタデータ) (2020-08-02T19:30:59Z)
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。