論文の概要: Learning Parameterized Task Structure for Generalization to Unseen Entities

• arxiv url: http://arxiv.org/abs/2203.15034v1
• Date: Mon, 28 Mar 2022 18:58:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 12:54:40.485783
• Title: Learning Parameterized Task Structure for Generalization to Unseen Entities
• Title（参考訳）: 非知覚エンティティへの一般化のためのパラメータ化タスク構造学習
• Authors: Anthony Z. Liu, Sungryull Sohn, Mahdi Qazwini, and Honglak Lee
• Abstract要約: サブタスクエンティティを用いた一階述語論理を用いてサブタスク依存をモデル化する手法を定式化する。 本手法は, 階層的, 構成的タスクにおける潜在構造を, 先行作業よりも効率的に学習することを示す。
• 参考スコア（独自算出の注目度）: 46.395865210185775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real world tasks are hierarchical and compositional. Tasks can be composed of multiple subtasks (or sub-goals) that are dependent on each other. These subtasks are defined in terms of entities (e.g., "apple", "pear") that can be recombined to form new subtasks (e.g., "pickup apple", and "pickup pear"). To solve these tasks efficiently, an agent must infer subtask dependencies (e.g. an agent must execute "pickup apple" before "place apple in pot"), and generalize the inferred dependencies to new subtasks (e.g. "place apple in pot" is similar to "place apple in pan"). Moreover, an agent may also need to solve unseen tasks, which can involve unseen entities. To this end, we formulate parameterized subtask graph inference (PSGI), a method for modeling subtask dependencies using first-order logic with subtask entities. To facilitate this, we learn entity attributes in a zero-shot manner, which are used as quantifiers (e.g. "is_pickable(X)") for the parameterized subtask graph. We show this approach accurately learns the latent structure on hierarchical and compositional tasks more efficiently than prior work, and show PSGI can generalize by modelling structure on subtasks unseen during adaptation.
• Abstract（参考訳）: 現実世界のタスクは階層的で構成的です。 タスクは、互いに依存する複数のサブタスク(またはサブゴール)で構成されることができる。 これらのサブタスクはエンティティ(例えば、"apple", "pear")によって定義され、新しいサブタスク(例えば、"pickup apple"、"pickup pear")を形成するために再結合することができる。 これらのタスクを効率的に解決するには、エージェントはサブタスクの依存関係を推測し(例えば、エージェントは"place apple in pot"の前に"pickup apple"を実行しなければならない)、推論された依存関係を新しいサブタスクに一般化する必要がある(例えば "place apple in pot" は "place apple in pan" に似ている)。 さらに、エージェントは目に見えないタスクを解決する必要があるかもしれない。 この目的のために、パラメータ化サブタスクグラフ推論(PSGI)を定式化し、サブタスクエンティティを持つ一階述語論理を用いてサブタスク依存をモデル化する。 これを容易にするために、パラメータ化サブタスクグラフの量化子(例: "is_pickable(X)")として使用されるエンティティ属性をゼロショットで学習する。 提案手法は, 階層的および構成的タスクの潜在構造を従来よりも効率的に学習し, 適応中に見えないサブタスクの構造をモデル化することでPSGIを一般化できることを示す。

関連論文リスト

• Identifying Selections for Unsupervised Subtask Discovery [12.22188797558089]
  我々は、データ中の選択変数の存在を識別し、検証する理論と実験を提供する。 これらの選択はサブタスクとガイドポリシーを示すサブゴールとして機能する。 このアイデアを踏まえて、これらのサブゴールを学習し、意味のある振る舞いパターンをサブタスクとして抽出するシーケンシャルな非負行列分解法(seq-NMF)を開発した。
  論文  参考訳（メタデータ） (2024-10-28T23:47:43Z)
• Multimodal Subtask Graph Generation from Instructional Videos [51.96856868195961]
  実世界のタスクは複数の相互依存サブタスクから構成される。 本研究では,タスクを記述する指導ビデオから,そのようなサブタスク間の因果関係をモデル化することを目的とする。 マルチモーダルなサブタスクグラフ生成(MSG2)を提案する。これは、ノイズの多いWebビデオからタスクに関連するタスクのサブタスク間の依存性を定義するサブタスクグラフを構築するアプローチである。
  論文  参考訳（メタデータ） (2023-02-17T03:41:38Z)
• Cross-TOP: Zero-Shot Cross-Schema Task-Oriented Parsing [5.5947246682911205]
  Cross-TOPは、与えられた垂直領域における複雑な意味解析のためのゼロショット法である。 また,Cross-TOPはトレーニングデータを必要とすることなく,未確認のタスクに対して高い精度を達成可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-10T20:50:08Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Task Adaptive Parameter Sharing for Multi-Task Learning [114.80350786535952]
  Adaptive Task Adapting Sharing(TAPS)は、階層の小さなタスク固有のサブセットを適応的に修正することで、ベースモデルを新しいタスクにチューニングする手法である。 他の手法と比較して、TAPSはダウンストリームタスクに対して高い精度を維持し、タスク固有のパラメータは少ない。 我々は,タスクやアーキテクチャ(ResNet,DenseNet,ViT)を微調整して評価し,実装が簡単でありながら最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-03-30T23:16:07Z)
• Pruning Pretrained Encoders with a Multitask Objective [12.062758391661847]
  シングルタスクモデルのベストアンサンブルに対して,マルチタスクの目的と単一モデルのプルーニングを比較した。 さらなる分析により、マルチタスクの目的をプルーニング中に使用することは、低リソースタスクのモデルサイズの削減に有効な方法であることがわかった。
  論文  参考訳（メタデータ） (2021-12-10T17:57:33Z)
• Cascaded Span Extraction and Response Generation for Document-Grounded Dialog [46.93744191416991]
  本稿では、最初のDialDoc共有タスクの2つのサブタスクに、私たちのエントリを要約する。 タスクは2つのサブタスクに分けられる: エージェントのターンをグラウンドするドキュメント内のスパンを予測し、ダイアログとグラウンド化ドキュメントに基づいてエージェントのレスポンスを生成する。 これらの手法により,ベースラインと比較して,両サブタスクの大幅な改善が得られた。
  論文  参考訳（メタデータ） (2021-06-14T10:04:53Z)
• MTL-NAS: Task-Agnostic Neural Architecture Search towards General-Purpose Multi-Task Learning [71.90902837008278]
  汎用マルチタスク学習(GP-MTL)にニューラルアーキテクチャサーチ(NAS)を導入することを提案する。 異なるタスクの組み合わせに対応するため、GP-MTLネットワークを単一タスクのバックボーンに分割する。 また,探索されたアーキテクチャ間の性能ギャップを埋める単一ショット勾配に基づく探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-31T09:49:14Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。