論文の概要: New Evolutionary Computation Models and their Applications to Machine Learning

• arxiv url: http://arxiv.org/abs/2110.00468v1
• Date: Fri, 1 Oct 2021 15:03:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-04 14:40:53.095964
• Title: New Evolutionary Computation Models and their Applications to Machine Learning
• Title（参考訳）: 新しい進化的計算モデルと機械学習への応用
• Authors: Mihai Oltean
• Abstract要約: ハードウェアのスピードと能力は指数関数的に増加しているが、ソフトウェアは何年も遅れている。 ソフトウェアに対する需要も大幅に増加したが、それでも古い方法で書かれている。 人間に支払うのは費用がかかるし、長く満足させるのは難しいし、教えたり訓練するのに多くの時間がかかるし、生産の質も低いことが多い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Programming is one of the most important areas of computer science research today. Hardware speed and capability have increased exponentially, but the software is years behind. The demand for software has also increased significantly, but it is still written in old fashion: by using humans. There are multiple problems when the work is done by humans: cost, time, quality. It is costly to pay humans, it is hard to keep them satisfied for a long time, it takes a lot of time to teach and train them and the quality of their output is in most cases low (in software, mostly due to bugs). The real advances in human civilization appeared during the industrial revolutions. Before the first revolution, most people worked in agriculture. Today, very few percent of people work in this field. A similar revolution must appear in the computer programming field. Otherwise, we will have so many people working in this field as we had in the past working in agriculture. How do people know how to write computer programs? Very simple: by learning. Can we do the same for software? Can we put the software to learn how to write software? It seems that is possible (to some degree) and the term is called Machine Learning. It was first coined in 1959 by the first person who made a computer perform a serious learning task, namely, Arthur Samuel. However, things are not so easy as in humans (well, truth to be said - for some humans it is impossible to learn how to write software). So far we do not have software that can learn perfectly to write software. We have some particular cases where some programs do better than humans, but the examples are sporadic at best. Learning from experience is difficult for computer programs. Instead of trying to simulate how humans teach humans how to write computer programs, we can simulate nature.
• Abstract（参考訳）: 自動プログラミングは、今日のコンピュータ科学研究において最も重要な分野の1つである。 ハードウェアのスピードと能力は指数関数的に増加したが、ソフトウェアは何年も遅れている。 ソフトウェアに対する需要も大幅に増加したが、それでも古い方法で書かれている。 人間による作業には、コスト、時間、品質という複数の問題がある。 人間にお金を払うのはコストがかかりますし、長い間満足させておくのが難しく、教えるのに多くの時間が必要で、アウトプットの品質が低くなります(ソフトウェアの場合、主にバグのため)。 人類文明の本当の進歩は産業革命の間に現れた。 最初の革命前は、ほとんどの人が農業に従事していた。 今日では、この分野で働く人はごく少数です。 同様の革命がコンピュータプログラミングの分野に現れなければならない。 そうでなければ、過去に農業で働いていたような多くの人たちがこの分野で働くことになるでしょう。 コンピュータプログラムの書き方をどうやって知っているのか? 非常に単純なこと:学習すること。 ソフトウェアでも同じことをできますか? ソフトウェアを書く方法を学ぶためにソフトウェアを配置できますか? それは(ある程度)可能であり、この用語は機械学習と呼ばれる。 1959年、コンピュータを真剣な学習タスク、すなわちアーサー・サミュエル(Arthur Samuel)によって初めて作られた。 しかし、物事は人間ほど簡単ではない(そう、言うべき真実は、ある人間にとってソフトウェアを書く方法を学ぶことは不可能である)。 今のところ、ソフトウェアを書くために完璧に学習できるソフトウェアはありません。 いくつかのプログラムが人間より優れているケースもあるが、その例は概して散発的である。 コンピュータプログラムでは経験から学ぶことは難しい。 人間がコンピュータプログラムの書き方を教える方法をシミュレートする代わりに、自然をシミュレートすることができる。

関連論文リスト

• HumanPlus: Humanoid Shadowing and Imitation from Humans [82.47551890765202]
  ヒューマノイドが人間のデータから動きや自律的なスキルを学ぶためのフルスタックシステムを導入する。 まず、既存の40時間動作データセットを用いて、強化学習によるシミュレーションの低レベルポリシーを訓練する。 次に、自己中心型視覚を用いてスキルポリシーを訓練し、ヒューマノイドが自律的に異なるタスクを完了できるようにする。
  論文  参考訳（メタデータ） (2024-06-15T00:41:34Z)
• HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
  そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。 その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-03-15T17:45:44Z)
• Many bioinformatics programming tasks can be automated with ChatGPT [3.2698789104455677]
  人工知能の最近の進歩により、人間の言語によるプロンプトを関数コードに変換することが可能になった。 我々は,そのようなモデルであるOpenAIのChatGPTが,基本的なプログラミングタスクから中程度のプログラミングタスクを完遂できる範囲を評価した。
  論文  参考訳（メタデータ） (2023-03-07T23:32:17Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
  我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。 学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
  論文  参考訳（メタデータ） (2022-11-16T16:26:48Z)
• Human-to-Robot Imitation in the Wild [50.49660984318492]
  本研究では,第三者の視点からの学習を中心に,効率的なワンショットロボット学習アルゴリズムを提案する。 実世界における20種類の操作タスクを含む,ワンショットの一般化と成功を示す。
  論文  参考訳（メタデータ） (2022-07-19T17:59:59Z)
• Deep Reinforcement Learning, a textbook [0.0]
  本書は、深層強化学習の分野を概観する。 人工知能の大学院生や、研究者や実践者のために書かれた。 深層強化学習の基礎,アルゴリズム,応用について述べる。
  論文  参考訳（メタデータ） (2022-01-04T11:47:21Z)
• Programming for All: Understanding the Nature of Programs [0.0]
  プログラムの自然を知識ステートメントの形で記述する。 すべてが分かりやすい方法で定式化され、曖昧な技術的言語を避けます。 プログラムの本質を学び、経験するための素晴らしい方法は、自分自身でプログラムを開発することです。
  論文  参考訳（メタデータ） (2021-11-09T00:14:49Z)
• Neurocoder: Learning General-Purpose Computation Using Stored Neural Programs [64.56890245622822]
  ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。 共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。 モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
  論文  参考訳（メタデータ） (2020-09-24T01:39:16Z)
• Machine Learning and Computational Mathematics [8.160343645537106]
  機械学習がすでにどのような影響を及ぼし、さらに計算数学、科学計算、計算科学に影響を及ぼすかについて論じる。 これらの問題について、最も重要な進展をいくつか紹介する。 私たちの希望は、機械学習と計算数学を統合するのに役立つ視点に物事を組み込むことです。
  論文  参考訳（メタデータ） (2020-09-23T23:16:46Z)
• An Experience of Introducing Primary School Children to Programming using Ozobots (Practical Report) [10.213226970992666]
  最近のトレンドは、小学校レベルではすでに非常に早い段階で基本的なプログラミングの概念を導入することです。 学校や教師は、装備や訓練が適切に行われておらず、コンピュータ上でのプログラム作成から「プラグされていない」活動に移行する最良の方法は、依然としてオープンな議論である。 我々は,Ozobotロボットを用いたプログラミング概念に子どもを導入する際に,地元の小学校を支援すべく,小さなインターリーグプロジェクトを行った経験について述べる。
  論文  参考訳（メタデータ） (2020-08-28T07:36:07Z)

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。