論文の概要: Integrating Symmetry into Differentiable Planning
- arxiv url: http://arxiv.org/abs/2206.03674v1
- Date: Wed, 8 Jun 2022 04:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-09 13:15:10.068340
- Title: Integrating Symmetry into Differentiable Planning
- Title(参考訳): 異種計画への対称性の統合
- Authors: Linfeng Zhao, Xupeng Zhu, Lingzhi Kong, Robin Walters, Lawson L.S.
Wong
- Abstract要約: グループ対称性は、エンドツーエンドの微分可能計画アルゴリズムにおけるデータ効率と一般化にどのように役立つかを検討する。
ナビゲーションと操作のアルゴリズムは、与えられた地図や学習された地図を用いて、非同変マップよりも大きなマージンで訓練効率と一般化性能を向上させる。
- 参考スコア(独自算出の注目度): 5.916280909373456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study how group symmetry helps improve data efficiency and generalization
for end-to-end differentiable planning algorithms, specifically on 2D robotic
path planning problems: navigation and manipulation. We first formalize the
idea from Value Iteration Networks (VINs) on using convolutional networks for
path planning, because it avoids explicitly constructing equivalence classes
and enable end-to-end planning. We then show that value iteration can always be
represented as some convolutional form for (2D) path planning, and name the
resulting paradigm Symmetric Planner (SymPlan). In implementation, we use
steerable convolution networks to incorporate symmetry. Our algorithms on
navigation and manipulation, with given or learned maps, improve training
efficiency and generalization performance by large margins over non-equivariant
counterparts, VIN and GPPN.
- Abstract(参考訳): グループ対称性がデータ効率とエンドツーエンドの微分可能計画アルゴリズムの一般化にどのように役立つか,特に2次元ロボット経路計画問題(ナビゲーションと操作)について検討する。
まず,等価クラスを明示的に構築することを避け,エンドツーエンドの計画を可能にするため,畳み込みネットワークを経路計画に使用する際の値反復ネットワーク(value iteration network,vins)からアイデアを定式化する。
次に、(2D)パス計画のための畳み込み形式として、常に価値イテレーションを表現できることを示し、結果のパラダイムであるSymmetric Planner(SymPlan)を名付ける。
実装では、ステアブル畳み込みネットワークを用いて対称性を組み込む。
ナビゲーションと操作のアルゴリズムは、与えられた地図や学習された地図を用いて、VINとGPPNの非同種よりも大きなマージンで訓練効率と一般化性能を向上させる。
関連論文リスト
- Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。
対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。
私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
論文 参考訳(メタデータ) (2023-10-09T20:22:43Z) - FRS-Nets: Fourier Parameterized Rotation and Scale Equivariant Networks
for Retinal Vessel Segmentation [55.4653338610275]
フーリエのパラメータ化と回転とスケーリングに等価な新しい畳み込み演算子 (FRS-Conv) を構築する。
対応するベースラインの13.9%のパラメータで、FRS-Netは最先端のパフォーマンスを達成した。
FRS-Netsの顕著な精度、一般化、臨床応用の可能性を示す。
論文 参考訳(メタデータ) (2023-09-27T13:14:57Z) - Can Euclidean Symmetry be Leveraged in Reinforcement Learning and
Planning? [5.943193860994729]
ロボットの作業では、参照フレームの変化は一般にシステムの基盤となる物理的特性に影響を与えない。
我々は、強化学習、計画、最適制御における離散的かつ連続的な対称性に関する先行研究を統一する理論を提唱した。
論文 参考訳(メタデータ) (2023-07-17T04:01:48Z) - Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。
群同変畳み込みは同変表現を得るための一般的なアプローチである。
本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-03-02T20:44:45Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳(メタデータ) (2023-02-02T00:13:32Z) - Breaking the Symmetry: Resolving Symmetry Ambiguities in Equivariant
Neural Networks [4.147346416230272]
OAVNN: Orientation Aware Vector Neuron Network, a extension of the Vector Neuron Network。
OAVNNは平面対称入力に対して堅牢な回転同変ネットワークである。
論文 参考訳(メタデータ) (2022-10-29T16:28:59Z) - Learning Symmetric Embeddings for Equivariant World Models [9.781637768189158]
入力空間(例えば画像)を符号化する学習対称埋め込みネットワーク(SEN)を提案する。
このネットワークは、同変のタスクネットワークでエンドツーエンドにトレーニングして、明示的に対称な表現を学ぶことができる。
実験により、SENは複素対称性表現を持つデータへの同変ネットワークの適用を促進することを示した。
論文 参考訳(メタデータ) (2022-04-24T22:31:52Z) - Improving the Sample-Complexity of Deep Classification Networks with
Invariant Integration [77.99182201815763]
変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。
そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。
本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
論文 参考訳(メタデータ) (2022-02-08T16:16:11Z) - Encoding Involutory Invariance in Neural Networks [1.6371837018687636]
ある状況では、ニューラルネットワーク(NN)は、基礎となる物理対称性に従うデータに基づいて訓練される。
本研究では、関数がパリティまでのインボリュート線型/ファイン変換に対して不変な特別な対称性について検討する。
数値実験により,提案モデルが与えられた対称性を尊重しながらベースラインネットワークより優れていたことが示唆された。
また,本手法を水平/垂直反射対称性を持つデータセットに対する畳み込みNN分類タスクに適用する手法も提案されている。
論文 参考訳(メタデータ) (2021-06-07T16:07:15Z) - Meta-Learning Symmetries by Reparameterization [63.85144439337671]
データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。
本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
論文 参考訳(メタデータ) (2020-07-06T17:59:54Z)
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。