Fugu-MT 論文翻訳(概要): Neural Networks for Path Planning

論文の概要: Neural Networks for Path Planning

arxiv url: http://arxiv.org/abs/2207.00874v1
Date: Sat, 2 Jul 2022 16:13:13 GMT
ステータス: 処理完了
システム内更新日: 2022-07-07 09:59:03.507357
Title: Neural Networks for Path Planning
Title（参考訳）: 経路計画のためのニューラルネットワーク
Authors: Salim Janji and Adrian Kliks
Abstract要約: 本稿では,ロボット経路計画におけるニューラルネットワークの利用を考慮した最新の研究について述べる。我々の調査は、異なる入力、出力、環境を考慮した問題の異なる定式化のコントラストを示す。
参考スコア（独自算出の注目度）: 0.24366811507669117
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The scientific community is able to present a new set of solutions to practical problems that substantially improve the performance of modern technology in terms of efficiency and speed of computation due to the advancement in neural networks architectures. We present the latest works considering the utilization of neural networks in robot path planning. Our survey shows the contrast between different formulations of the problems that consider different inputs, outputs, and environments and how different neural networks architectures are able to provide solutions to all of the presented problems.
Abstract（参考訳）: 科学コミュニティは、ニューラルネットワークアーキテクチャの進歩による計算の効率と速度の観点から、現代の技術の性能を大幅に改善する、実践的な問題に対する新しいソリューションセットを提示することができる。本稿では,ロボットの経路計画におけるニューラルネットワークの利用について検討する。本調査は,様々な入力,出力,環境を考慮した問題の異なる定式化と,提示されたすべての問題に対して,ニューラルネットワークアーキテクチャがどのようにソリューションを提供できるか,の対比を示す。

関連論文リスト

Neural Networks for Vehicle Routing Problem [0.0]
ルート最適化はニューラルネットワークの新たな課題と見なすことができる。機械学習の最近の進歩は、複雑な問題に対処するための新しいツールセットを提供する。ニューラルネットワークを応用する主な領域は、分類と回帰の領域である。
論文参考訳（メタデータ） (2024-09-17T15:45:30Z)
Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文参考訳（メタデータ） (2024-02-21T12:16:51Z)
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)
An Analysis of Physics-Informed Neural Networks [0.0]
我々は物理システム – 物理インフォームドニューラルネットワーク – に対する解を近似する新しいアプローチを提案する。人工ニューラルネットワークの概念を導入し、目的関数を定義し、最適化戦略について議論する。偏微分方程式は、問題の損失関数の制約として含まれ、ネットワークがモデリングしている物理系の力学の知識にアクセスできる。
論文参考訳（メタデータ） (2023-03-06T04:45:53Z)
Multiobjective Evolutionary Pruning of Deep Neural Networks with Transfer Learning for improving their Performance and Robustness [15.29595828816055]
本研究は,多目的進化解析アルゴリズムMO-EvoPruneDeepTLを提案する。我々は、トランスファーラーニングを使用して、遺伝的アルゴリズムによって進化したスパース層に置き換えることで、ディープニューラルネットワークの最後の層を適応します。実験の結果,提案手法は全ての目的に対して有望な結果が得られ,直接的な関係が示された。
論文参考訳（メタデータ） (2023-02-20T19:33:38Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
A deep learning theory for neural networks grounded in physics [2.132096006921048]
ニューロモルフィックアーキテクチャ上で大規模で高速で効率的なニューラルネットワークを構築するには、それらを実装および訓練するためのアルゴリズムを再考する必要がある。私たちのフレームワークは、非常に幅広いモデル、すなわち状態やダイナミクスが変動方程式によって記述されるシステムに適用されます。
論文参考訳（メタデータ） (2021-03-18T02:12:48Z)
NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文参考訳（メタデータ） (2020-09-28T01:48:45Z)
Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。スパイキングニューラルネットワークのハードウェア実装の現状について述べる。本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文参考訳（メタデータ） (2020-05-04T13:24:00Z)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。