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

• Time and Frequency Synergy for Source-Free Time-Series Domain Adaptations [13.206527803092817]
  本稿では、ソースフリーな時系列領域適応問題に対処するための時間周波数領域適応(TFDA)を提案する。 TFDAは、最終予測を行う際に時間と周波数の両方の特徴を完全に活用した二重分岐ネットワーク構造で開発されている。
  論文  参考訳（メタデータ） (2024-10-23T02:29:50Z)
• Time-FFM: Towards LM-Empowered Federated Foundation Model for Time Series Forecasting [43.56193749300678]
  我々は、事前訓練されたLMを活用して時系列予測のためのFederated Foundation ModelであるTime-FFMを提案する。 総合的な実験により、Time-FFMは最先端の予測よりも優れており、効果的に数発・ゼロショットの予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-23T07:31:10Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• 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)
• 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)
• 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。