論文の概要: Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning

• arxiv url: http://arxiv.org/abs/2110.01770v1
• Date: Tue, 5 Oct 2021 01:06:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-07 00:35:34.950902
• Title: Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning
• Title（参考訳）: 文脈モデリングとモデルに基づく政策学習による教育ビデオのプロシージャ計画
• Authors: Jing Bi, Jiebo Luo, Chenliang Xu
• Abstract要約: 本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。 本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 114.1830997893756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning new skills by observing humans' behaviors is an essential capability of AI. In this work, we leverage instructional videos to study humans' decision-making processes, focusing on learning a model to plan goal-directed actions in real-life videos. In contrast to conventional action recognition, goal-directed actions are based on expectations of their outcomes requiring causal knowledge of potential consequences of actions. Thus, integrating the environment structure with goals is critical for solving this task. Previous works learn a single world model will fail to distinguish various tasks, resulting in an ambiguous latent space; planning through it will gradually neglect the desired outcomes since the global information of the future goal degrades quickly as the procedure evolves. We address these limitations with a new formulation of procedure planning and propose novel algorithms to model human behaviors through Bayesian Inference and model-based Imitation Learning. Experiments conducted on real-world instructional videos show that our method can achieve state-of-the-art performance in reaching the indicated goals. Furthermore, the learned contextual information presents interesting features for planning in a latent space.
• Abstract（参考訳）: 人間の行動を観察して新しいスキルを学ぶことは、AIの重要な能力である。 本研究では,実生活映像における目標指向行動計画モデルの構築に焦点をあて,人間の意思決定過程の学習に指導ビデオを活用する。 従来の行動認識とは対照的に、ゴール指向の行動は行動の潜在的な結果の因果的知識を必要とする結果の期待に基づいている。 したがって、この課題を解決するには、環境構造と目標の統合が不可欠である。 以前の研究は、単一の世界モデルが様々なタスクを区別できないことを学習し、その結果、あいまいな潜在空間が生まれる。 そこで本研究では, 手続き計画の新しい定式化とベイズ推論とモデルに基づく模倣学習を通じ, 人間の行動をモデル化する新しいアルゴリズムを提案する。 実世界のインストラクショナルビデオで行った実験では,提案手法が目標達成時に最先端のパフォーマンスを達成できることが示されている。 さらに,学習した文脈情報は,潜在空間における計画のための興味深い特徴を示す。

関連論文リスト

• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Dynamic planning in hierarchical active inference [0.0]
  人間の脳が認知決定に関連する運動軌跡を推論し、導入する能力について述べる。 本研究では,アクティブ推論における動的計画の話題に焦点を当てた。
  論文  参考訳（メタデータ） (2024-02-18T17:32:53Z)
• Discovering Temporally-Aware Reinforcement Learning Algorithms [42.016150906831776]
  既存の2つの目的発見アプローチに簡単な拡張を提案する。 一般的に使用されるメタ段階的アプローチは適応的目的関数の発見に失敗する。
  論文  参考訳（メタデータ） (2024-02-08T17:07:42Z)
• Robotic Imitation of Human Actions [16.26334759935617]
  本研究では,人間を模倣するロボットの課題に対処する,模倣学習の新しいアプローチを提案する。 提案手法では, 実証されたタスクに関する情報を抽象化し, その情報を一般化し, 再現するために利用する。
  論文  参考訳（メタデータ） (2024-01-16T14:11:54Z)
• PALM: Predicting Actions through Language Models [74.10147822693791]
  本稿では,長期的行動予測の課題に取り組むアプローチであるPALMを紹介する。 本手法は,従来の行動系列を追跡する行動認識モデルと,関連する環境の詳細を記述するための視覚言語モデルを含む。 実験の結果,PALMは長期的な行動予測作業において最先端の手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2023-11-29T02:17:27Z)
• Predictive Experience Replay for Continual Visual Control and Forecasting [62.06183102362871]
  視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。 まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。 我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
  論文  参考訳（メタデータ） (2023-03-12T05:08:03Z)
• Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
  本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。 このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。 モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
  論文  参考訳（メタデータ） (2022-03-30T17:01:59Z)
• 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)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)

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。