論文の概要: AutoJoin: Efficient Adversarial Training for Robust Maneuvering via
Denoising Autoencoder and Joint Learning
- arxiv url: http://arxiv.org/abs/2205.10933v1
- Date: Sun, 22 May 2022 21:18:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-29 17:39:42.199241
- Title: AutoJoin: Efficient Adversarial Training for Robust Maneuvering via
Denoising Autoencoder and Joint Learning
- Title(参考訳): AutoJoin:Denoising Autoencoderとジョイントラーニングによるロバストマニバリングのための効果的な対人訓練
- Authors: Michael Villarreal, Bibek Poudel, Ryan Wickman, Yu Shen, Weizi Li
- Abstract要約: 本稿では, AutoJoin という, 勾配のない対向訓練手法を提案する。
画像に基づく自律的な操作のための堅牢なモデルを生成する。
5M以上の摂動とクリーンなイメージでテストする他のSOTAメソッドと比較して、AutoJoinは大幅なパフォーマンス向上を実現している。
- 参考スコア(独自算出の注目度): 11.002425893521155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As a result of increasingly adopted machine learning algorithms and
ubiquitous sensors, many 'perception-to-control' systems have been deployed in
various settings. For these systems to be trustworthy, we need to improve their
robustness with adversarial training being one approach. In this work, we
propose a gradient-free adversarial training technique, called AutoJoin.
AutoJoin is a very simple yet effective and efficient approach to produce
robust models for imaged-based autonomous maneuvering. Compared to other SOTA
methods with testing on over 5M perturbed and clean images, AutoJoin achieves
significant performance increases up to the 40% range under perturbed datasets
while improving on clean performance for almost every dataset tested. In
particular, AutoJoin can triple the clean performance improvement compared to
the SOTA work by Shen et al. Regarding efficiency, AutoJoin demonstrates strong
advantages over other SOTA techniques by saving up to 83% time per training
epoch and 90% training data. The core idea of AutoJoin is to use a decoder
attachment to the original regression model creating a denoising autoencoder
within the architecture. This allows the tasks 'steering' and 'denoising sensor
input' to be jointly learnt and enable the two tasks to reinforce each other's
performance.
- Abstract(参考訳): 機械学習アルゴリズムとユビキタスセンサーの採用により、様々な環境に「知覚制御システム」が多数導入されている。
これらのシステムが信頼できるためには、敵のトレーニングをひとつのアプローチにすることで、堅牢性を改善する必要があります。
本研究では, AutoJoin という, 勾配のない対向訓練手法を提案する。
AutoJoinは、画像ベースの自律操作のための堅牢なモデルを生成するための、非常に単純で効率的かつ効率的なアプローチである。
5M以上の摂動とクリーンなイメージでテストする他のSOTAメソッドと比較して、AutoJoinは、摂動データセットの40%の範囲まで大幅なパフォーマンス向上を実現し、テストされたほぼすべてのデータセットのクリーンパフォーマンスを改善している。
特にAutoJoinは、ShenらによるSOTAの作業と比べて、クリーンなパフォーマンスの改善を3倍にすることができる。
効率に関しては、AutoJoinは他のSOTA技術に対して、トレーニングのエポック毎に最大83%の時間を節約し、90%のトレーニングデータを節約することで、強力なアドバンテージを示している。
AutoJoinの中核となる考え方は、アーキテクチャ内でデノナイズされたオートエンコーダを作成するオリジナルの回帰モデルにデコーダアタッチメントを使用することである。
これにより、タスクの'ステアリング'と'センサ入力のデオライジング'が共同で学習でき、2つのタスクがお互いのパフォーマンスを強化できる。
関連論文リスト
- AUTOACT: Automatic Agent Learning from Scratch via Self-Planning [56.81725335882185]
AutoActは、大規模アノテートデータやクローズドソースモデルからの合成軌跡に依存しない自動エージェント学習フレームワークである。
我々は異なるLLMを用いて総合的な実験を行い、AutoActは様々な強力なベースラインと比較して優れた性能または並列性能が得られることを示した。
論文 参考訳(メタデータ) (2024-01-10T16:57:24Z) - Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for
Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。
我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。
提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文 参考訳(メタデータ) (2023-10-23T17:50:08Z) - Unsupervised 3D registration through optimization-guided cyclical
self-training [71.75057371518093]
最先端のディープラーニングベースの登録方法は、3つの異なる学習戦略を採用している。
本稿では,教師なし登録のための自己指導型学習パラダイムを提案する。
腹部, 肺の登録方法の評価を行い, 測定基準に基づく監督を一貫して上回り, 最先端の競争相手よりも優れていた。
論文 参考訳(メタデータ) (2023-06-29T14:54:10Z) - Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement
Learning [13.699336307578488]
深層模倣強化学習(DIRL)は、視覚入力を使用してアジャイルな自律レースを実現する。
我々は,高忠実性運転シミュレーションと実世界の1/20スケールRC-car上での車載計算の制限により,本アルゴリズムの有効性を検証した。
論文 参考訳(メタデータ) (2021-07-18T00:00:48Z) - Improving Robustness of Learning-based Autonomous Steering Using
Adversarial Images [58.287120077778205]
自動運転用画像入力における学習アルゴリズムw.r.tの堅牢性を解析するためのフレームワークについて紹介する。
感度分析の結果を用いて, 「操縦への学習」 タスクの総合的性能を向上させるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-02-26T02:08:07Z) - Hyperparameter Auto-tuning in Self-Supervised Robotic Learning [12.193817049957733]
不十分な学習(局所最適収束による)は、冗長な学習が時間と資源を浪費する一方で、低パフォーマンスの政策をもたらす。
自己教師付き強化学習のためのエビデンス下界(ELBO)に基づく自動チューニング手法を提案する。
本手法は,オンラインで自動チューニングが可能であり,計算資源のごく一部で最高の性能が得られる。
論文 参考訳(メタデータ) (2020-10-16T08:58:24Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-08-23T13:16:34Z) - Efficient Connected and Automated Driving System with Multi-agent Graph
Reinforcement Learning [22.369111982782634]
最近、コネクテッド・アンド・オートマチック・ビークル(CAV)が注目を集めている。
我々は,各自動走行車両が相互に協力関係を学べるようにすることで,交通システム全体の成果を改善する方法に焦点をあてる。
論文 参考訳(メタデータ) (2020-07-06T14:55:48Z) - AutoCLINT: The Winning Method in AutoCV Challenge 2019 [21.777841334509986]
本稿では,優勝方式であるAutoCLINTについて紹介する。
提案手法は、効率的なコード最適化を含む自律的なトレーニング戦略を実装し、事前訓練されたネットワークの高速適応を実現するために、自動データ拡張を適用する。
論文 参考訳(メタデータ) (2020-05-09T05:50:38Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳(メタデータ) (2020-03-25T06:53:54Z)
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。