論文の概要: Competency Assessment for Autonomous Agents using Deep Generative Models

• arxiv url: http://arxiv.org/abs/2203.12670v1
• Date: Wed, 23 Mar 2022 18:52:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-25 13:21:52.020227
• Title: Competency Assessment for Autonomous Agents using Deep Generative Models
• Title（参考訳）: 深部生成モデルを用いた自律エージェントの能力評価
• Authors: Aastha Acharya, Rebecca Russell, Nisar R. Ahmed
• Abstract要約: エージェントトラジェクトリのシミュレーションとタスク実行結果の正確な計算を可能にする。 条件付き変分オートエンコーダの強度と繰り返しニューラルネットワークを組み合わせることで、深部生成世界モデルは、長い水平線上の軌道を確率論的に予測し、タスク完了を達成できる。 本稿では,これらの予測軌道を用いて結果確率分布を計算し,特定のタスクや初期設定に対するエージェント能力の正確な評価を可能にする方法について述べる。
• 参考スコア（独自算出の注目度）: 3.3517146652431378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For autonomous agents to act as trustworthy partners to human users, they must be able to reliably communicate their competency for the tasks they are asked to perform. Towards this objective, we develop probabilistic world models based on deep generative modelling that allow for the simulation of agent trajectories and accurate calculation of tasking outcome probabilities. By combining the strengths of conditional variational autoencoders with recurrent neural networks, the deep generative world model can probabilistically forecast trajectories over long horizons to task completion. We show how these forecasted trajectories can be used to calculate outcome probability distributions, which enable the precise assessment of agent competency for specific tasks and initial settings.
• Abstract（参考訳）: 自律的なエージェントが人間のユーザにとって信頼できるパートナーとして振る舞うためには、要求されたタスクに対して確実に能力を伝える必要があります。 本研究の目的は,エージェント軌道のシミュレーションとタスク結果の正確な計算を可能にする,深層生成モデルに基づく確率論的世界モデルを開発することである。 条件付き変分オートエンコーダの強度と繰り返しニューラルネットワークを組み合わせることで、深部生成世界モデルは、長い水平線上の軌道を確率的に予測し、タスク完遂する。 予測された軌道は結果確率分布の計算にどのように使われるかを示し,特定のタスクや初期設定に対するエージェント能力の正確な評価を可能にした。

関連論文リスト

• Predicting AI Agent Behavior through Approximation of the Perron-Frobenius Operator [4.076790923976287]
  我々は,AIエージェントを非線形力学系として扱い,確率論的観点からその統計的挙動を予測する。 エントロピー最小化問題としてペロン・フロベニウス作用素(PF)の近似を定式化する。 我々のデータ駆動手法は、エージェントの進化を予測するためにPF演算子を同時に近似し、AIエージェントの終端確率密度を予測する。
  論文  参考訳（メタデータ） (2024-06-04T19:06:49Z)
• Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
  Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。 本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
  論文  参考訳（メタデータ） (2024-02-08T22:05:45Z)
• Consistent Long-Term Forecasting of Ergodic Dynamical Systems [25.46655692714755]
  エルゴード力学系の作用による分布の進化について検討する。 クープマンと転送作用素理論のツールを利用することで、状態の初期分布を時間内に発展させることができる。 演算子理論から固有値デフレの古典的手法と統計から中心となる特徴を巧みに組み合わせた学習パラダイムを導入する。
  論文  参考訳（メタデータ） (2023-12-20T21:12:19Z)
• Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
  エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。 我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
  論文  参考訳（メタデータ） (2023-12-07T03:55:51Z)
• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。 最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
  自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。 提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
  論文  参考訳（メタデータ） (2021-07-08T10:37:24Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Fast Risk Assessment for Autonomous Vehicles Using Learned Models of Agent Futures [10.358493658420173]
  本稿では,自動走行車における軌道のリスクを評価するために,高速な非サンプリング方式を提案する。 提案手法はガウス混合モデルと非ガウス混合モデルの両方を含む不確実な予測に対する幅広い表現に対処する。 提案手法は、ArgoverseデータセットとCARLAデータセットでトレーニングされたプロパゲートからの現実的な予測に基づいて実証される。
  論文  参考訳（メタデータ） (2020-05-27T16:16:36Z)

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。