Fugu-MT 論文翻訳(概要): Implementing Online Reinforcement Learning with Temporal Neural Networks

論文の概要: Implementing Online Reinforcement Learning with Temporal Neural Networks

arxiv url: http://arxiv.org/abs/2204.05437v1
Date: Mon, 11 Apr 2022 23:10:42 GMT
ステータス: 処理完了
システム内更新日: 2023-02-17 08:04:41.445132
Title: Implementing Online Reinforcement Learning with Temporal Neural Networks
Title（参考訳）: 時間的ニューラルネットワークによるオンライン強化学習の実装
Authors: James E. Smith
Abstract要約: 提案するTラーニングシステムは、オンラインの教師なしクラスタリングを実装したTNNと、オンラインの強化学習を実装したバックエンドTNNで構成されている。強化学習パラダイムでは、生物学的に妥当なネオ・ヘビーンの3要素学習ルールが採用されている。
参考スコア（独自算出の注目度）: 0.6091702876917281
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A Temporal Neural Network (TNN) architecture for implementing efficient online reinforcement learning is proposed and studied via simulation. The proposed T-learning system is composed of a frontend TNN that implements online unsupervised clustering and a backend TNN that implements online reinforcement learning. The reinforcement learning paradigm employs biologically plausible neo-Hebbian three-factor learning rules. As a working example, a prototype implementation of the cart-pole problem (balancing an inverted pendulum) is studied via simulation.
Abstract（参考訳）: 効率的なオンライン強化学習を実現するためのTNNアーキテクチャを提案し,シミュレーションにより検討した。提案システムは,オンラインクラスタリングを実装したフロントエンドTNNと,オンライン強化学習を実装したバックエンドTNNで構成されている。強化学習パラダイムは生物学的に妥当なネオ・ヘビー的3要素学習規則を用いる。実例として、カートポール問題(逆振り子を分散させる)のプロトタイプ実装をシミュレーションにより検討する。

関連論文リスト

A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
Topological Representations of Heterogeneous Learning Dynamics of Recurrent Spiking Neural Networks [16.60622265961373]
スパイキングニューラルネットワーク(SNN)は神経科学と人工知能において重要なパラダイムとなっている。近年,深層ニューラルネットワークのネットワーク表現について研究が進められている。
論文参考訳（メタデータ） (2024-03-19T05:37:26Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Control-Theoretic Techniques for Online Adaptation of Deep Neural Networks in Dynamical Systems [0.0]
ディープニューラルネットワーク(DNN)は現在、現代の人工知能、機械学習、データサイエンスの主要なツールである。多くのアプリケーションでは、DNNは教師付き学習や強化学習を通じてオフラインでトレーニングされ、推論のためにオンラインにデプロイされる。制御理論からDNNパラメータをオンラインで更新する手法を提案する。
論文参考訳（メタデータ） (2024-02-01T16:51:11Z)
ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2023-02-11T21:07:30Z)
Learning Trajectories of Hamiltonian Systems with Neural Networks [81.38804205212425]
本稿では,モデル系の連続時間軌跡を推定し,ハミルトニアンニューラルネットワークを強化することを提案する。提案手法は, 低サンプリング率, ノイズ, 不規則な観測において, HNNに対して有効であることを示す。
論文参考訳（メタデータ） (2022-04-11T13:25:45Z)
A Microarchitecture Implementation Framework for Online Learning with Temporal Neural Networks [1.4530235554268331]
時間的ニューラルネットワーク(TNN)は、情報を表現し処理するためのリソースとして時間を使用するニューラルネットワークをスパイクしている。本研究では,標準CMOSを用いたTNN実装のためのマイクロアーキテクチャフレームワークを提案する。
論文参考訳（メタデータ） (2021-05-27T15:59:54Z)
Reinforcement Learning with External Knowledge by using Logical Neural Networks [67.46162586940905]
論理ニューラルネットワーク(LNN)と呼ばれる最近のニューラルシンボリックフレームワークは、ニューラルネットワークとシンボリックロジックの両方のキープロパティを同時に提供することができる。外部知識ソースからのモデルフリー強化学習を可能にする統合手法を提案する。
論文参考訳（メタデータ） (2021-03-03T12:34:59Z)
Online Spatio-Temporal Learning in Deep Neural Networks [1.6624384368855523]
オンライン学習は、最近研究コミュニティの注目を集め、BPTTを近似するアプローチや、SNNに適用する生物学的に有望なスキームに焦点をあてている。ここでは、空間的および時間的勾配成分の明確な分離に基づく別の視点を示す。私たちは、オンラインスパイキング時間学習(OSTL)という、深層SNNのための新しいオンライン学習アルゴリズムの第一原理から派生した。浅いネットワークの場合、OSTLはBPTTと同等の勾配であり、BPTT同値勾配を持つSNNのオンライントレーニングを初めて行うことができる。さらに、提案された定式化はSNNアーキテクチャのクラスを公開する。
論文参考訳（メタデータ） (2020-07-24T18:10:18Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
RNN-based Online Learning: An Efficient First-Order Optimization Algorithm with a Convergence Guarantee [0.0]
理論的には最適なネットワークパラメータに収束することを保証できる効率的な一階述語学習アルゴリズムを導入する。我々のアルゴリズムは真にオンラインであり、収束を保証するための学習環境を仮定しない。
論文参考訳（メタデータ） (2020-03-07T16:31:22Z)

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。