論文の概要: A Comprehensive Survey of Data Augmentation in Visual Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2210.04561v4
• Date: Mon, 21 Oct 2024 14:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-23 14:26:12.950956
• Title: A Comprehensive Survey of Data Augmentation in Visual Reinforcement Learning
• Title（参考訳）: ビジュアル強化学習におけるデータ強化に関する包括的調査
• Authors: Guozheng Ma, Zhen Wang, Zhecheng Yuan, Xueqian Wang, Bo Yuan, Dacheng Tao,
• Abstract要約: データ拡張(DA)は、サンプル効率と一般化可能なポリシーを取得するために視覚的RLで広く使われている技術である。 本稿では、視覚的RLで使用されている既存の拡張技法の原則的な分類法を提案し、拡張データをどのように活用するかを詳細に議論する。 視覚的RLにおけるDAに関する最初の総合的な調査として、この研究は、この新興分野に貴重なガイダンスを提供するものと期待されている。
• 参考スコア（独自算出の注目度）: 53.35317176453194
• License:
• Abstract: Visual reinforcement learning (RL), which makes decisions directly from high-dimensional visual inputs, has demonstrated significant potential in various domains. However, deploying visual RL techniques in the real world remains challenging due to their low sample efficiency and large generalization gaps. To tackle these obstacles, data augmentation (DA) has become a widely used technique in visual RL for acquiring sample-efficient and generalizable policies by diversifying the training data. This survey aims to provide a timely and essential review of DA techniques in visual RL in recognition of the thriving development in this field. In particular, we propose a unified framework for analyzing visual RL and understanding the role of DA in it. We then present a principled taxonomy of the existing augmentation techniques used in visual RL and conduct an in-depth discussion on how to better leverage augmented data in different scenarios. Moreover, we report a systematic empirical evaluation of DA-based techniques in visual RL and conclude by highlighting the directions for future research. As the first comprehensive survey of DA in visual RL, this work is expected to offer valuable guidance to this emerging field.
• Abstract（参考訳）: 高次元視覚入力から直接決定を行う視覚強化学習(RL)は、様々な領域において有意な可能性を示している。 しかし, サンプル効率が低く, 一般化のギャップが大きいため, 実世界における視覚的RL技術の展開は依然として困難である。 これらの障害に対処するために、データ拡張(DA)は、トレーニングデータを多様化することにより、サンプル効率と一般化可能なポリシーを取得する視覚的RLにおいて広く使われている技術となっている。 本調査は、この分野での繁栄を鑑みて、視覚的RLにおけるDA手法のタイムリーかつ本質的なレビューを行うことを目的としている。 特に,視覚的RLを分析し,DAの役割を理解するための統一的なフレームワークを提案する。 次に、視覚的RLで使用される既存の拡張技法の原則的な分類法を提案し、異なるシナリオにおける拡張データをどのように活用するかを詳細に議論する。 さらに,視覚的RLにおけるDAに基づく手法の体系的実証評価を報告し,今後の研究の方向性を強調して結論を導いた。 視覚的RLにおけるDAに関する最初の総合的な調査として、この研究は、この新興分野に貴重なガイダンスを提供するものと期待されている。

関連論文リスト

• The Surprising Ineffectiveness of Pre-Trained Visual Representations for Model-Based Reinforcement Learning [8.36595587335589]
  視覚強化学習法は、しばしば大量のデータを必要とする。 モデルベースRL(MBRL)は、プランニングによる効率的なデータ利用の潜在的なソリューションを提供する。 MBRLには現実世界のタスクの一般化機能が欠けている。
  論文  参考訳（メタデータ） (2024-11-15T13:21:26Z)
• A Comprehensive Survey of Direct Preference Optimization: Datasets, Theories, Variants, and Applications [52.42860559005861]
  DPO(Direct Preference Optimization)は、アライメントのための有望なアプローチとして登場した。 DPOの様々な進歩と固有の制限にもかかわらず、これらの側面の詳細なレビューは現在、文献に欠けている。
  論文  参考訳（メタデータ） (2024-10-21T02:27:24Z)
• Generative AI for Deep Reinforcement Learning: Framework, Analysis, and Use Cases [60.30995339585003]
  深部強化学習(DRL)は様々な分野に広く適用されており、優れた成果を上げている。 DRLは、サンプル効率の低下や一般化の低さなど、いくつかの制限に直面している。 本稿では、これらの問題に対処し、DRLアルゴリズムの性能を向上させるために、生成AI(GAI)を活用する方法について述べる。
  論文  参考訳（メタデータ） (2024-05-31T01:25:40Z)
• Revisiting Data Augmentation in Deep Reinforcement Learning [3.660182910533372]
  画像に基づく深部強化学習(DRL)において、様々なデータ拡張技術が提案されている。 既存の手法を分析し、それらをよりよく理解し、どのように接続されているかを明らかにする。 この分析は、データ拡張をより原則的に活用する方法を推奨する。
  論文  参考訳（メタデータ） (2024-02-19T14:42:10Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• Challenges and Opportunities in Offline Reinforcement Learning from Visual Observations [58.758928936316785]
  連続的な行動空間を持つ視覚的観察からオフラインの強化学習は未探索のままである。 2つの一般的な視覚に基づくオンライン強化学習アルゴリズムの変更は、既存のオフラインRL法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-09T22:08:47Z)
• Seeking Visual Discomfort: Curiosity-driven Representations for Reinforcement Learning [12.829056201510994]
  状態表現学習におけるサンプルの多様性向上のためのアプローチを提案する。 提案手法は,問題状態の訪問を促進し,学習状態の表現を改善し,全てのテスト環境のベースラインを向上する。
  論文  参考訳（メタデータ） (2021-10-02T11:15:04Z)
• Making Curiosity Explicit in Vision-based RL [12.829056201510994]
  視覚に基づく強化学習(RL)は、画像を主観察対象とする制御課題を解決するための有望な手法である。 最先端のRLアルゴリズムは、まだサンプル効率の面で苦戦している。 サンプルの多様性を改善するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-28T09:50:37Z)
• Dynamics Generalization via Information Bottleneck in Deep Reinforcement Learning [90.93035276307239]
  本稿では,RLエージェントのより優れた一般化を実現するために,情報理論正則化目標とアニーリングに基づく最適化手法を提案する。 迷路ナビゲーションからロボットタスクまで、さまざまな領域において、我々のアプローチの極端な一般化の利点を実証する。 この研究は、タスク解決のために冗長な情報を徐々に取り除き、RLの一般化を改善するための原則化された方法を提供する。
  論文  参考訳（メタデータ） (2020-08-03T02:24:20Z)

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。

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。