Fugu-MT 論文翻訳(概要): Federated Continual Learning for Socially Aware Robotics

論文の概要: Federated Continual Learning for Socially Aware Robotics

arxiv url: http://arxiv.org/abs/2201.05527v2
Date: Mon, 10 Jul 2023 09:06:40 GMT
ステータス: 処理完了
システム内更新日: 2023-07-11 22:54:01.716208
Title: Federated Continual Learning for Socially Aware Robotics
Title（参考訳）: 社会認識ロボットのためのフェデレーション型連続学習
Authors: Luke Guerdan, Hatice Gunes
Abstract要約: ソーシャルロボットは、新しいユーザーに対して行動に適応せず、十分なプライバシー保護を提供していない。本稿では,ソーシャルロボットのプライバシとパーソナライゼーションを改善する分散型学習手法を提案する。分散学習は,概念実証型社会意識ナビゲーションドメインにおいて,集中学習の代替として実現可能であることを示す。
参考スコア（独自算出の注目度）: 4.224305864052757
License: http://creativecommons.org/licenses/by/4.0/
Abstract: From learning assistance to companionship, social robots promise to enhance many aspects of daily life. However, social robots have not seen widespread adoption, in part because (1) they do not adapt their behavior to new users, and (2) they do not provide sufficient privacy protections. Centralized learning, whereby robots develop skills by gathering data on a server, contributes to these limitations by preventing online learning of new experiences and requiring storage of privacy-sensitive data. In this work, we propose a decentralized learning alternative that improves the privacy and personalization of social robots. We combine two machine learning approaches, Federated Learning and Continual Learning, to capture interaction dynamics distributed physically across robots and temporally across repeated robot encounters. We define a set of criteria that should be balanced in decentralized robot learning scenarios. We also develop a new algorithm -- Elastic Transfer -- that leverages importance-based regularization to preserve relevant parameters across robots and interactions with multiple humans. We show that decentralized learning is a viable alternative to centralized learning in a proof-of-concept Socially-Aware Navigation domain, and demonstrate how Elastic Transfer improves several of the proposed criteria.
Abstract（参考訳）: 学習支援から協力まで、社会ロボットは日常生活の多くの側面を強化することを約束する。しかし、社会ロボットは、(1)新しいユーザーに対して自分の行動に適応せず、(2)十分なプライバシー保護を提供していないという理由から、広く普及していない。集中学習は、ロボットがサーバー上でデータを収集することでスキルを発達させることで、新しい体験のオンライン学習を防ぎ、プライバシに敏感なデータの保存を必要とすることによって、これらの制限に寄与する。本研究では,ソーシャルロボットのプライバシとパーソナライゼーションを改善する分散型学習手法を提案する。協調学習と連続学習という2つの機械学習のアプローチを組み合わせることで、ロボットに物理的に分散したインタラクションダイナミクスを捉える。分散ロボット学習シナリオにおいてバランスをとるべき基準を定義した。また,ロボット間の関連パラメータと複数の人間とのインタラクションを保存するために,重要度に基づく正規化を利用した新しいアルゴリズムであるelastic transferを開発した。本稿では,分散学習が,概念実証型社会認識ナビゲーションドメインにおける集中学習の代替となることを示すとともに,Elastic Transferが提案したいくつかの基準をどのように改善するかを実証する。

関連論文リスト

Towards Privacy-Aware and Personalised Assistive Robots: A User-Centred Approach [55.5769013369398]
この研究は、フェデレートラーニング(FL)のようなユーザー中心のプライバシーに配慮した技術のパイオニアである。 FLは機密データを共有せずに協調学習を可能にし、プライバシとスケーラビリティの問題に対処する。この作業には、スマート車椅子アシストのためのソリューションの開発、ユーザの独立性の向上、幸福感の向上が含まれる。
論文参考訳（メタデータ） (2024-05-23T13:14:08Z)
SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
論文参考訳（メタデータ） (2024-03-01T21:27:03Z)
Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文参考訳（メタデータ） (2023-10-23T17:50:08Z)
How Do Human Users Teach a Continual Learning Robot in Repeated Interactions? [7.193217430660011]
我々は、人間が長期にわたって連続学習ロボットを教える方法を理解するために、連続学習に人間中心のアプローチをとる。我々は,200のセッションで連続学習ロボットと対話する40名の参加者を対象に,対人調査を行った。本研究で収集したデータの質的,定量的な分析により,個々の利用者の指導スタイルに有意な差異があることが示唆された。
論文参考訳（メタデータ） (2023-06-30T20:29:48Z)
SACSoN: Scalable Autonomous Control for Social Navigation [62.59274275261392]
我々は、社会的に邪魔にならないナビゲーションのための政策の訓練方法を開発した。この反事実的摂動を最小化することにより、共有空間における人間の自然な振る舞いを変えない方法でロボットに行動を促すことができる。屋内移動ロボットが人間の傍観者と対話する大規模なデータセットを収集する。
論文参考訳（メタデータ） (2023-06-02T19:07:52Z)
"No, to the Right" -- Online Language Corrections for Robotic Manipulation via Shared Autonomy [70.45420918526926]
LILACは、実行中に自然言語の修正をオンラインで実施し、適応するためのフレームワークである。 LILACは人間とロボットを個別にターンテイクする代わりに、人間とロボットの間にエージェンシーを分割する。提案手法は,タスク完了率が高く,ユーザによって主観的に好まれることを示す。
論文参考訳（メタデータ） (2023-01-06T15:03:27Z)
REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
論文参考訳（メタデータ） (2022-02-10T18:50:25Z)
A General, Evolution-Inspired Reward Function for Social Robotics [0.0]
本稿では,ソーシャルロボティクスにおける強化学習エージェントの展開に必要なリアルタイムかつ高密度な報酬機能を提供するメカニズムとして,ソーシャル・リワード機能を提案する。ソーシャル・リワード・ファンクション(Social Reward Function)は、単純で安定的で文化に依存しない報酬機能を提供することを目的として、人間の遺伝的に与えられた社会的知覚能力を忠実に模倣するように設計されている。
論文参考訳（メタデータ） (2022-02-01T18:05:31Z)
Improving Customer Service Chatbots with Attention-based Transfer Learning [1.713291434132985]
最先端の研究ポイントは、個人でカスタマーサービスを提供する物理ロボットだ。この記事では2つの可能性を探る。第一に、転送学習がビジネスドメイン間のカスタマーサービスチャットボットの改善に役立つかどうかである。
論文参考訳（メタデータ） (2021-11-24T15:26:16Z)
Continual Learning of Visual Concepts for Robots through Limited Supervision [9.89901717499058]
私の研究は、動的に見えない環境で継続的に学習するロボットの開発に焦点を当てています。私は、ベンチマークデータセットで最新の結果を生成する機械学習モデルを開発します。
論文参考訳（メタデータ） (2021-01-26T01:26:07Z)
From Learning to Relearning: A Framework for Diminishing Bias in Social Robot Navigation [3.3511723893430476]
社会的ナビゲーションモデルは、差別や差別のような社会的不公平を複製し、促進し、増幅することができる。提案するフレームワークは,安全性と快適性を考慮したソーシャルコンテキストを学習プロセスに組み込んだtextitlearningと,発生前に潜在的に有害な結果を検出し修正するtextitrelearningの2つのコンポーネントで構成されている。
論文参考訳（メタデータ） (2021-01-07T17:42:35Z)

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。