論文の概要: TempAMLSI : Temporal Action Model Learning based on Grammar Induction
- arxiv url: http://arxiv.org/abs/2112.04286v1
- Date: Wed, 8 Dec 2021 13:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 14:24:26.657187
- Title: TempAMLSI : Temporal Action Model Learning based on Grammar Induction
- Title(参考訳): TempAMLSI : 文法誘導に基づく時間行動モデル学習
- Authors: Maxence Grand, Damien Pellier and Humbert Fiorino
- Abstract要約: 本稿では、時間領域を学習可能なAMLSIアプローチに基づくアルゴリズムであるTempAMLSIを提案する。
本研究では,TempAMLSIが時間領域(時間領域)を正確に学習できることを示す。
- 参考スコア(独自算出の注目度): 1.474723404975345
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hand-encoding PDDL domains is generally accepted as difficult, tedious and
error-prone. The difficulty is even greater when temporal domains have to be
encoded. Indeed, actions have a duration and their effects are not
instantaneous. In this paper, we present TempAMLSI, an algorithm based on the
AMLSI approach able to learn temporal domains. TempAMLSI is based on the
classical assumption done in temporal planning that it is possible to convert a
non-temporal domain into a temporal domain. TempAMLSI is the first approach
able to learn temporal domain with single hard envelope and Cushing's
intervals. We show experimentally that TempAMLSI is able to learn accurate
temporal domains, i.e., temporal domain that can be used directly to solve new
planning problem, with different forms of action concurrency.
- Abstract(参考訳): ハンドエンコーディングpddlドメインは一般に困難で退屈でエラーやすいとして受け入れられる。
時間領域をエンコードする必要がある場合、その困難はさらに大きくなる。
実際、アクションは持続時間を持ち、その効果は瞬時ではない。
本稿では,時間領域を学習可能なamlsiアプローチに基づくアルゴリズムである tempamlsi を提案する。
tempamlsiは、時間計画において、非時間領域を時間領域に変換することができるという古典的な仮定に基づいている。
TempAMLSIは、単一のハードエンベロープとクッシング間隔で時間領域を学習できる最初のアプローチである。
実験により,temmulsiは,新たな計画問題の解法として,異なる動作並行処理形式を用いて,正確な時間領域(すなわち時間領域)を学習できることを示した。
関連論文リスト
- TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [70.38241681764738]
時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。
本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
論文 参考訳(メタデータ) (2024-02-04T13:10:51Z) - UniTime: A Language-Empowered Unified Model for Cross-Domain Time Series
Forecasting [59.11817101030137]
この研究はドメイン境界を超越する統一モデルパラダイムを提唱する。
効果的なクロスドメインモデルを学ぶことは、以下の課題を提示します。
効果的なドメイン間時系列学習のためのUniTimeを提案する。
論文 参考訳(メタデータ) (2023-10-15T06:30:22Z) - Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning
under A Unified View [73.73667848619343]
UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
論文 参考訳(メタデータ) (2023-10-09T16:17:42Z) - Source-Free Domain Adaptation with Temporal Imputation for Time Series
Data [19.616201184995532]
ソースフリードメイン適応(SFDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへの事前訓練されたモデルを、ソースドメインデータにアクセスすることなく適応することを目的としている。
視覚的応用が盛んであるにもかかわらず、SFDAは時系列アプリケーションではほとんど探索されていない。
本稿では,時系列データ,すなわちMAskとimPUteに対して,ソースフリーなドメイン適応をシンプルかつ効果的に行う手法を提案する。
論文 参考訳(メタデータ) (2023-07-14T14:22:03Z) - Contrastive Domain Adaptation for Time-Series via Temporal Mixup [14.723714504015483]
時系列データのための新しい軽量コントラスト型ドメイン適応フレームワークであるCoTMixを提案する。
具体的には、ソースとターゲットドメインに対する2つの中間的な拡張ビューを生成するための、新しい時間混合戦略を提案する。
我々のアプローチは、最先端のUDAメソッドを著しく上回ります。
論文 参考訳(メタデータ) (2022-12-03T06:53:38Z) - Self-supervised Autoregressive Domain Adaptation for Time Series Data [9.75443057146649]
教師なしドメイン適応(UDA)は、視覚アプリケーションにおけるドメインシフト問題にうまく対処している。
これらの手法は、以下の理由により時系列データのパフォーマンスが制限される可能性がある。
本稿では,これらの制約に対処するための自己監督型自己回帰ドメイン適応(SLARDA)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-11-29T08:17:23Z) - Cross-domain Imitation from Observations [50.669343548588294]
模擬学習は、専門家の行動を利用して訓練エージェントに適切な報酬関数を設計することの難しさを回避しようとする。
本稿では,専門家とエージェントMDPの相違点が存在する場合に,タスクを模倣する方法の問題について検討する。
このようなドメイン間の対応を学習するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-20T21:08:25Z) - AMLSI: A Novel Accurate Action Model Learning Algorithm [1.1797787239802762]
AMLSIのアプローチでは、計画トレースのトレーニングデータセットは必要ない。
AMLSIは試行錯誤によって進行し、ランダムに生成されたアクションシーケンスで学習するようにシステムに問い合わせる。
他のアルゴリズムとは異なり、AMLSIは部分的および雑音的な観測から領域を学習することで、このロックを解除できることを示す。
論文 参考訳(メタデータ) (2020-11-26T13:25:08Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳(メタデータ) (2020-10-19T04:25:10Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳(メタデータ) (2020-07-06T17:59:30Z)
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。