論文の概要: Design Strategy Network: A deep hierarchical framework to represent generative design strategies in complex action spaces

• arxiv url: http://arxiv.org/abs/2110.03760v1
• Date: Thu, 7 Oct 2021 19:29:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 15:10:07.802014
• Title: Design Strategy Network: A deep hierarchical framework to represent generative design strategies in complex action spaces
• Title（参考訳）: 設計戦略ネットワーク:複雑なアクション空間における生成的設計戦略を表現するための深い階層的フレームワーク
• Authors: Ayush Raina, Jonathan Cagan, Christopher McComb
• Abstract要約: この研究は、任意の複雑なアクション空間上の戦略を学習するデータ駆動の深層階層型フレームワークであるDesign Strategy Network (DSN)を紹介する。 階層的アーキテクチャは、すべてのアクション決定を分解し、設計空間における好ましい空間領域を第一に予測する。 その結果, DSNは政策表現の非階層的手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generative design problems often encompass complex action spaces that may be divergent over time, contain state-dependent constraints, or involve hybrid (discrete and continuous) domains. To address those challenges, this work introduces Design Strategy Network (DSN), a data-driven deep hierarchical framework that can learn strategies over these arbitrary complex action spaces. The hierarchical architecture decomposes every action decision into first predicting a preferred spatial region in the design space and then outputting a probability distribution over a set of possible actions from that region. This framework comprises a convolutional encoder to work with image-based design state representations, a multi-layer perceptron to predict a spatial region, and a weight-sharing network to generate a probability distribution over unordered set-based inputs of feasible actions. Applied to a truss design study, the framework learns to predict the actions of human designers in the study, capturing their truss generation strategies in the process. Results show that DSNs significantly outperform non-hierarchical methods of policy representation, demonstrating their superiority in complex action space problems.
• Abstract（参考訳）: 生成的設計問題はしばしば、時間とともに発散し、状態に依存しない制約を含む、あるいはハイブリッドな(離散的で連続的な)ドメインを含む複雑なアクション空間を包含する。 これらの課題に対処するため、この研究はデータ駆動の深層階層型フレームワークであるDesign Strategy Network (DSN)を導入し、これらの複雑なアクション空間の戦略を学習する。 階層的アーキテクチャは、すべてのアクション決定を分解し、まず設計空間内の好ましい空間領域を予測し、その領域から可能なアクションのセットに確率分布を出力する。 画像ベースの設計状態表現を扱う畳み込みエンコーダと、空間領域を予測する多層パーセプトロンと、未順序のセットベースの実行可能な動作の入力に対して確率分布を生成する重み共有ネットワークとを備える。 トラス設計研究に適用されたこのフレームワークは、研究における人間のデザイナーの行動を予測し、その過程でトラス生成戦略をキャプチャする。 その結果、DSNはポリシー表現の非階層的手法を著しく上回り、複雑なアクション空間問題においてその優位性を示している。

関連論文リスト

• Learning Logic Specifications for Policy Guidance in POMDPs: an Inductive Logic Programming Approach [57.788675205519986]
  我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。 我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。 ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
  論文  参考訳（メタデータ） (2024-02-29T15:36:01Z)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• Semantic Probabilistic Layers for Neuro-Symbolic Learning [83.25785999205932]
  我々は構造化出力予測(SOP)のための予測層を設計する。 予測が事前に定義されたシンボリック制約のセットと一致していることを保証するため、任意のニューラルネットワークにプラグインすることができる。 我々のセマンティック確率層(SPL)は、構造化された出力空間上で複雑な相関や制約をモデル化することができる。
  論文  参考訳（メタデータ） (2022-06-01T12:02:38Z)
• Planning from Pixels in Environments with Combinatorially Hard Search Spaces [14.897437359519456]
  この分野での最近の関心の高まりは、アーケードゲームから連続制御に至るまでのタスクにおいて優れたパフォーマンスをもたらす進歩をもたらした。 本稿では,その環境を潜在グラフとして表現する方法を提案する。 提案手法は,低品質軌跡のみを提供するオフラインRLパラダイムにおいて,強い一般化を実現することを示す。
  論文  参考訳（メタデータ） (2021-10-12T16:38:08Z)
• Hierarchical Reinforcement Learning Framework for Stochastic Spaceflight Campaign Design [5.381116150823982]
  本稿では,宇宙飛行計画のための階層的強化学習アーキテクチャを不確実性下で開発する。 本手法は,不確実な資源利用(ISRU)性能を有する,月面探査の一連のシナリオに適用する。
  論文  参考訳（メタデータ） (2021-03-16T11:17:02Z)
• Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot Transfer [71.44215606325005]
  本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。 このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。 すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
  論文  参考訳（メタデータ） (2020-07-06T05:13:20Z)
• Deep hierarchical pooling design for cross-granularity action recognition [14.696233190562936]
  本稿では,行動認識における時間的粒度の異なる階層的アグリゲーション設計を提案する。 制約最小化問題の解法により,このネットワークにおける演算の組み合わせを学習する。 原則と基礎が整っただけでなく、提案された階層的なプーリングもビデオ長であり、動作のミスアライメントに耐性がある。
  論文  参考訳（メタデータ） (2020-06-08T11:03:54Z)
• Latent Space Roadmap for Visual Action Planning of Deformable and Rigid Object Manipulation [74.88956115580388]
  プランニングは、イメージを埋め込んだ低次元の潜在状態空間で行われる。 我々のフレームワークは2つの主要なコンポーネントで構成されており、画像のシーケンスとして視覚的な計画を生成するビジュアル・フォレスト・モジュール(VFM)と、それら間のアクションを予測するアクション・プロポーザル・ネットワーク(APN)である。
  論文  参考訳（メタデータ） (2020-03-19T18:43:26Z)
• Local Propagation in Constraint-based Neural Network [77.37829055999238]
  ニューラルネットワークアーキテクチャの制約に基づく表現について検討する。 本稿では,いわゆるアーキテクチャ制約を満たすのに適した簡単な最適化手法について検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:47:38Z)

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。