論文の概要: Weakly Supervised Correspondence Learning

• arxiv url: http://arxiv.org/abs/2203.00904v1
• Date: Wed, 2 Mar 2022 07:24:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 03:54:50.181719
• Title: Weakly Supervised Correspondence Learning
• Title（参考訳）: 弱教師付き対応学習
• Authors: Zihan Wang, Zhangjie Cao, Yilun Hao and Dorsa Sadigh
• Abstract要約: 本稿では、厳密なペアデータと教師なし学習を、不注意なデータに対して、教師なし学習と引き換えに、弱い教師付き対応学習手法を提案する。 2種類の弱い監視は、現実世界のアプリケーションでは容易にアクセスでき、同時に、厳密なペアリングデータの注釈付けのコストを低減し、学習された対応の質を向上させる。
• 参考スコア（独自算出の注目度）: 39.27889009068491
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Correspondence learning is a fundamental problem in robotics, which aims to learn a mapping between state, action pairs of agents of different dynamics or embodiments. However, current correspondence learning methods either leverage strictly paired data -- which are often difficult to collect -- or learn in an unsupervised fashion from unpaired data using regularization techniques such as cycle-consistency -- which suffer from severe misalignment issues. We propose a weakly supervised correspondence learning approach that trades off between strong supervision over strictly paired data and unsupervised learning with a regularizer over unpaired data. Our idea is to leverage two types of weak supervision: i) temporal ordering of states and actions to reduce the compounding error, and ii) paired abstractions, instead of paired data, to alleviate the misalignment problem and learn a more accurate correspondence. The two types of weak supervision are easy to access in real-world applications, which simultaneously reduces the high cost of annotating strictly paired data and improves the quality of the learned correspondence.
• Abstract（参考訳）: 対応学習はロボット工学の基本的な問題であり、状態のマッピング、異なるダイナミクスや実施形態のエージェントのアクションペアを学ぶことを目的としている。 しかし、現在の対応学習法は、厳密なペアリングデータ(収集が難しい場合が多い)を利用するか、サイクルコンシステンシーなどの正規化技術を用いて非ペアデータから教師なしの方法で学習する。 本稿では,厳密なペアデータに対する強い監督と,非ペアデータに対する正規化子による教師なし学習とのトレードオフを生かした,弱い教師付き対応学習手法を提案する。 我々の考えは 2つの弱い監督を 生かすことです 一 複合誤差を低減させる状態及び行動の時間的順序付け、及び 二 ペアデータの代わりに、ペアデータ抽象化により、誤認問題を緩和し、より正確な対応を学ぶこと。 この2つの弱い監督は、現実世界のアプリケーションで簡単にアクセスでき、厳密なペアデータへの注釈のコストを低減し、学習した対応の品質を向上させる。

関連論文リスト

• Guiding Through Complexity: What Makes Good Supervision for Hard Reasoning Tasks? [74.88417042125985]
  複雑さの異なるタスクにおいて、様々な品質レベルで監視データを提供する様々なデータ駆動戦略について検討する。 ハードタスクの監視における結果エラー率が高い場合でも、そのようなデータによるトレーニングは、より簡単なサブタスクの監督を完璧に上回ります。 また,本研究の結果から,タスク・インスペクションとサブタスク・インスペクションを補完することで,顕著なパフォーマンス向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-10-27T17:55:27Z)
• Text2Data: Low-Resource Data Generation with Textual Control [104.38011760992637]
  自然言語は、人間が機械とシームレスに対話するための共通かつ直接的な制御信号として機能する。 ラベルのないデータを用いて教師なし拡散モデルを用いて基礎となるデータ分布を理解する新しいアプローチであるText2Dataを提案する。 制御性を確保し、破滅的な忘れを効果的に防止する、新しい制約最適化ベースの学習目標を通じて制御可能な微調整を行う。
  論文  参考訳（メタデータ） (2024-02-08T03:41:39Z)
• Improving Long-Horizon Imitation Through Instruction Prediction [93.47416552953075]
  本研究では、しばしば使われない補助的監督源である言語の使用について検討する。 近年のトランスフォーマーモデルの発展にインスパイアされたエージェントは,高レベルの抽象化で動作する時間拡張表現の学習を促す命令予測損失を持つエージェントを訓練する。 さらなる分析では、複雑な推論を必要とするタスクにおいて、命令モデリングが最も重要であり、単純な計画を必要とする環境において、より小さなゲインを提供する。
  論文  参考訳（メタデータ） (2023-06-21T20:47:23Z)
• Curriculum Learning Meets Weakly Supervised Modality Correlation Learning [26.754095474534534]
  カリキュラム学習を弱教師付きモダリティ相関学習に導入する。 相関学習を支援するために,学習の難しさに応じてトレーニングペアをモデルに供給する。 提案手法は,マルチモーダル感情分析における最先端の性能に達する。
  論文  参考訳（メタデータ） (2022-12-15T05:11:04Z)
• Hyperspherical Consistency Regularization [45.00073340936437]
  我々は,自己教師あり学習と教師あり学習の関係について検討し,自己教師あり学習がデータ効率のよい深層学習にどのように役立つかを検討する。 超球面整合正則化(HCR)を提案し,特徴依存情報を用いた分類器の正規化を行い,ラベルからのバイアスを回避する。
  論文  参考訳（メタデータ） (2022-06-02T02:41:13Z)
• Let the Model Decide its Curriculum for Multitask Learning [22.043291547405545]
  モデルに基づくアプローチによって計算される難易度に基づく学習カリキュラムにトレーニングインスタンスを配置する手法を2種類提案する。 インスタンスレベルとデータセットレベルの技術は、それぞれのベースラインに対して平均4.17%と3.15%のパフォーマンス向上をもたらすため、強い表現をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-19T23:34:22Z)
• Adversarial Dual-Student with Differentiable Spatial Warping for Semi-Supervised Semantic Segmentation [70.2166826794421]
  本研究では、教師なしデータ拡張を行うために、微分可能な幾何ワープを提案する。 また,平均教師数を改善するために,新しい対角的二重学習フレームワークを提案する。 我々のソリューションは、両方のデータセットで得られるパフォーマンスと最先端の結果を大幅に改善します。
  論文  参考訳（メタデータ） (2022-03-05T17:36:17Z)
• Co-learning: Learning from Noisy Labels with Self-supervision [28.266156561454327]
  自己教師付き学習はラベルのない状態で機能し、ノイズラベルの負の影響を排除します。 教師付き学習と自己監督型学習の両方の視点で協調学習を行うことで、ノイズラベルを用いた学習のためのコラーニングという、シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2021-08-05T06:20:51Z)
• Fairness-Aware Learning from Corrupted Data [33.52974791836553]
  任意のデータ操作下での公平性を考慮した学習について検討する。 このバイアスの強さは、データ内の未表現の保護されたグループで学習する際の問題の増加を示す。 2つの自然学習アルゴリズムが、逆データ操作の精度と公正性の両面から順序-最適保証を実現することを証明した。
  論文  参考訳（メタデータ） (2021-02-11T13:48:41Z)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。