Fugu-MT 論文翻訳(概要): An Example of the SAM+ Algorithm for Learning Action Models for Stochastic Worlds

論文の概要: An Example of the SAM+ Algorithm for Learning Action Models for Stochastic Worlds

arxiv url: http://arxiv.org/abs/2203.12499v1
Date: Wed, 23 Mar 2022 15:51:40 GMT
ステータス: 処理完了
システム内更新日: 2022-03-24 14:55:50.868251
Title: An Example of the SAM+ Algorithm for Learning Action Models for Stochastic Worlds
Title（参考訳）: 確率的世界のための行動モデル学習のためのSAM+アルゴリズムの例
Authors: Brendan Juba, Roni Stern
Abstract要約: コーヒー問題のPDDL版において,計画行動モデルを学習するアルゴリズムであるSAM+アルゴリズムの完全な例を示す。 SAM+アルゴリズムの簡単な説明と単純化されたコーヒードメインの詳細な説明を行い、単純化されたコーヒードメイン上でそれを実行する結果について説明する。
参考スコア（独自算出の注目度）: 41.688641158455745
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this technical report, we provide a complete example of running the SAM+ algorithm, an algorithm for learning stochastic planning action models, on a simplified PPDDL version of the Coffee problem. We provide a very brief description of the SAM+ algorithm and detailed description of our simplified version of the Coffee domain, and then describe the results of running it on the simplified Coffee domain.
Abstract（参考訳）: 本報告では,コーヒー問題の簡便なppddl版上で,確率的計画行動モデル学習のためのアルゴリズムであるsam+アルゴリズムの完全な例を示す。 SAM+アルゴリズムの簡単な説明と単純化されたコーヒードメインの詳細な説明を行い、単純化されたコーヒードメイン上でそれを実行する結果について説明する。

関連論文リスト

Preconditioned Sharpness-Aware Minimization: Unifying Analysis and a Novel Learning Algorithm [39.656014609027494]
シャープネスを意識した最小化(SAM)は、ディープニューラルネットワークベースの学習の一般化性を改善する強力なツールとして登場した。この寄与はプリコンディショニング(pre)を利用してSAM変種を統一し、統一収束解析だけでなく、貴重な洞察を提供する。 informationSAMと呼ばれる新しいアルゴリズムを導入し、ノイズ推定による勾配の調整によりSAMのいわゆる逆モデル劣化問題に対処する。
論文参考訳（メタデータ） (2025-01-11T18:05:33Z)
On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning [85.75164588939185]
複数モーダルな)自己教師付き表現学習のための連続領域における識別確率モデル問題について検討する。我々は、自己教師付き表現学習における現在のInfoNCEに基づくコントラスト損失の制限を明らかにするために一般化誤差解析を行う。
論文参考訳（メタデータ） (2024-10-11T18:02:46Z)
AlignSAM: Aligning Segment Anything Model to Open Context via Reinforcement Learning [61.666973416903005]
Segment Anything Model (SAM)は、オープンワールドシナリオにおいて、プロンプトのガイダンスによって、その印象的な一般化機能を実証した。オープンコンテキストにSAMをアライメントするための自動プロンプトのための新しいフレームワークAlignSAMを提案する。
論文参考訳（メタデータ） (2024-06-01T16:21:39Z)
Align Your Steps: Optimizing Sampling Schedules in Diffusion Models [63.927438959502226]
拡散モデル(DM)は、視覚領域以降における最先端の生成モデリングアプローチとして確立されている。 DMの重大な欠点は、サンプリング速度の遅いことであり、大規模なニューラルネットワークによる多くのシーケンシャルな関数評価に依存している。本稿では,DMのサンプリングスケジュールを高品質な出力に最適化する汎用的,原理的な手法を提案する。
論文参考訳（メタデータ） (2024-04-22T18:18:41Z)
TinySAM: Pushing the Envelope for Efficient Segment Anything Model [73.06322749886483]
我々は,強力なゼロショット性能を維持しつつ,小さなセグメントの任意のモデル(TinySAM)を得るためのフレームワークを提案する。これらすべての提案手法により、TinySAMは計算量を大幅に削減し、エンベロープを効率的なセグメント化タスクにプッシュする。
論文参考訳（メタデータ） (2023-12-21T12:26:11Z)
PBES: PCA Based Exemplar Sampling Algorithm for Continual Learning [0.0]
本稿では、主成分分析(PCA)と中央値サンプリングに基づく新しい模範選択手法と、クラス増分学習の設定におけるニューラルネットワークトレーニング方式を提案する。このアプローチは、データの異常値による落とし穴を回避し、さまざまなインクリメンタル機械学習モデルの実装と使用の両方が容易である。
論文参考訳（メタデータ） (2023-12-14T21:27:38Z)
Self-guided Few-shot Semantic Segmentation for Remote Sensing Imagery Based on Large Vision Models [14.292149307183967]
本研究は,少数ショットセマンティックセグメンテーションの自動化を目的とした構造化フレームワークを提案する。 SAMモデルを利用して、意味的に識別可能なセグメンテーションの結果をより効率的に生成する。提案手法の中心は,従来のガイドマスクを利用してSAMの粗い画素単位のプロンプトを生成する,新しい自動プロンプト学習手法である。
論文参考訳（メタデータ） (2023-11-22T07:07:55Z)
RSPrompter: Learning to Prompt for Remote Sensing Instance Segmentation based on Visual Foundation Model [29.42043345787285]
本稿では,Segment Anything Model (SAM) のための適切なプロンプトの生成を学習する手法を提案する。これによりSAMはリモートセンシング画像に対して意味的に識別可能なセグメンテーション結果を生成することができる。また,SAMコミュニティ内での最近の進歩を図り,その性能をRSPrompterと比較する。
論文参考訳（メタデータ） (2023-06-28T14:51:34Z)
Model-free Representation Learning and Exploration in Low-rank MDPs [64.72023662543363]
低位mdpに対して,最初のモデルフリー表現学習アルゴリズムを提案する。主要なアルゴリズムの貢献は新しいミニマックス表現の学習の目的です。結果は複雑な環境にスケールする一般的な関数近似を収容できます。
論文参考訳（メタデータ） (2021-02-14T00:06:54Z)
Model-Agnostic Explanations using Minimal Forcing Subsets [11.420687735660097]
そこで本研究では,モデル決定に欠かせない最小限のトレーニングサンプルを同定する,モデルに依存しない新しいアルゴリズムを提案する。本アルゴリズムは,制約付き最適化問題を解くことにより,このような「欠かせない」サンプルの集合を反復的に同定する。結果から,本アルゴリズムは局所モデルの振る舞いをよりよく理解する上で,効率的かつ容易に記述できるツールであることがわかった。
論文参考訳（メタデータ） (2020-11-01T22:45:16Z)

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。