論文の概要: Invariance Through Inference

• arxiv url: http://arxiv.org/abs/2112.08526v1
• Date: Wed, 15 Dec 2021 23:26:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-18 08:43:36.215646
• Title: Invariance Through Inference
• Title（参考訳）: 推論による不変性
• Authors: Takuma Yoneda, Ge Yang, Matthew R. Walter, Bradly Stadie
• Abstract要約: Invariance through Inferenceと呼ばれる一般的なアプローチを導入し、デプロイ環境におけるエージェントのテスト時間性能を改善する。 このアイデアは,デプロイメントタイムの報奨を受けることなく,さまざまな適応シナリオを驚くほど改善することを示す。
• 参考スコア（独自算出の注目度）: 10.102674614861654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a general approach, called Invariance through Inference, for improving the test-time performance of an agent in deployment environments with unknown perceptual variations. Instead of producing invariant visual features through interpolation, invariance through inference turns adaptation at deployment-time into an unsupervised learning problem. This is achieved in practice by deploying a straightforward algorithm that tries to match the distribution of latent features to the agent's prior experience, without relying on paired data. Although simple, we show that this idea leads to surprising improvements on a variety of adaptation scenarios without access to deployment-time rewards, including changes in camera poses and lighting conditions. Results are presented on challenging distractor control suite, a robotics environment with image-based observations.
• Abstract（参考訳）: Invariance through Inference(推論による不変性)と呼ばれる一般的なアプローチを導入し、未知の知覚変化を持つデプロイ環境におけるエージェントのテスト時間性能を改善する。 補間による不変の視覚特徴を生成する代わりに、推論による不変性は、デプロイメント時の適応を教師なしの学習問題に変える。 これは、ペア化されたデータに頼ることなく、エージェントの以前の経験に遅延した機能の分布を一致させようとする単純なアルゴリズムをデプロイすることで実現される。 単純ではあるが、このアイデアは、カメラのポーズや照明条件の変更など、デプロイメント時の報酬にアクセスできることなく、様々な適応シナリオを驚くほど改善することを示している。 画像に基づく観察を行うロボット環境である challenge distractor control suite で結果が示された。

関連論文リスト

• Proxy Methods for Domain Adaptation [78.03254010884783]
  プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。 両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T09:32:41Z)
• Invariance is Key to Generalization: Examining the Role of Representation in Sim-to-Real Transfer for Visual Navigation [35.01394611106655]
  一般化の鍵は、すべてのタスク関連情報をキャプチャするのに十分なリッチな表現である。 このような視覚ナビゲーションの表現を実験的に研究する。 我々の表現は、トレーニングドメインとテストドメイン間のA距離を減少させる。
  論文  参考訳（メタデータ） (2023-10-23T15:15:19Z)
• Learning Invariant Representations with a Nonparametric Nadaraya-Watson Head [8.40704222803588]
  本稿では,最近提案されたNadaraya-Watson(NW)ヘッドに基づいて,不変表現を学習するための非パラメトリック戦略を提案する。 サポートセットを操作することで、異なる因果仮定をエンコードできることを実証する。 特に、サポートセットをひとつの環境に制限することは、環境に依存しない不変の機能を学ぶことをモデルに促す。
  論文  参考訳（メタデータ） (2023-09-23T13:46:49Z)
• Decorr: Environment Partitioning for Invariant Learning and OOD Generalization [10.799855921851332]
  不変学習手法は、複数の環境にまたがる一貫した予測器を特定することを目的としている。 データに固有の環境がなければ、実践者はそれらを手動で定義しなければならない。 この環境分割は不変学習の有効性に影響を及ぼすが、いまだ過小評価されていない。 本稿では,低相関データサブセットを分離することで,データセットを複数の環境に分割することを提案する。
  論文  参考訳（メタデータ） (2022-11-18T06:49:35Z)
• Sufficient Invariant Learning for Distribution Shift [20.88069274935592]
  本稿では,SIL(Sufficient Invariant Learning)フレームワークという新しい学習原理を紹介する。 SILは、単一の機能に頼るのではなく、不変機能の十分なサブセットを学ぶことに重点を置いている。 本稿では,適応シャープネスを意識したグループ分散ロバスト最適化(ASGDRO)を提案する。
  論文  参考訳（メタデータ） (2022-10-24T18:34:24Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• On Covariate Shift of Latent Confounders in Imitation and Reinforcement Learning [69.48387059607387]
  模擬・強化学習において,未観測の共同設立者と専門家データを併用することの問題点を考察する。 我々は、外部報酬を伴わずに、確立した専門家データから学ぶことの限界を分析する。 我々は,支援医療とレコメンデーションシステムシミュレーションの課題に挑戦する上で,我々の主張を実証的に検証する。
  論文  参考訳（メタデータ） (2021-10-13T07:31:31Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Contrastive Domain Adaptation [4.822598110892847]
  コントラスト学習を新しいドメイン適応設定に拡張することを提案する。 比較学習は、教師なしの環境で正と負の2組のサンプルを比較して比較することで学習する。 ドメイン適応問題に対処する上で有効な,最近提案されたコントラスト学習フレームワークのバリエーションを開発した。
  論文  参考訳（メタデータ） (2021-03-26T13:55:19Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。