論文の概要: FOON Creation and Traversal for Recipe Generation

• arxiv url: http://arxiv.org/abs/2210.07335v1
• Date: Thu, 13 Oct 2022 20:11:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 17:27:53.916643
• Title: FOON Creation and Traversal for Recipe Generation
• Title（参考訳）: レシピ生成のためのフーンの作成とトラバーサル
• Authors: Raj Patel
• Abstract要約: FOONは機能的なオブジェクト指向ネットワークを指す。 ネットワークはまず、人間が.txtファイル内の入力ノードと出力ノードを作成することで作成する必要がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task competition by robots is still off from being completely dependable and usable. One way a robot may decipher information given to it and accomplish tasks is by utilizing FOON, which stands for functional object-oriented network. The network first needs to be created by having a human creates action nodes as well as input and output nodes in a .txt file. After the network is sizeable, utilization of this network allows for traversal of the network in a variety of ways such as choosing steps via iterative deepening searching by using the first seen valid option. Another mechanism is heuristics, such as choosing steps based on the highest success rate or lowest amount of input ingredients. Via any of these methods, a program can traverse the network given an output product, and derive the series of steps that need to be taken to produce the output.
• Abstract（参考訳）: ロボットによるタスクの競争は、まだ完全に信頼でき、使えるものではない。 ロボットが与えられた情報を解読してタスクを遂行する方法の1つは、機能的オブジェクト指向ネットワークを意味するFOONを利用することである。 ネットワークはまず、人間が.txtファイル内の入力ノードと出力ノードを作成することで作成する必要がある。 ネットワークのサイズが大きくなると、このネットワークの利用により、第1の有効なオプションを使用して反復深度探索によるステップ選択など、さまざまな方法でネットワークをトラバースすることができる。 もう一つのメカニズムはヒューリスティックであり、最も高い成功率や最も少ない入力成分に基づいてステップを選択するなどである。 これらの方法のいずれかを通じて、プログラムは出力製品が与えられたネットワークをトラバースし、出力を生成するために必要な一連のステップを導出することができる。

関連論文リスト

• Using evolutionary computation to optimize task performance of unclocked, recurrent Boolean circuits in FPGAs [0.0]
  FPGAにおける非時計型リカレントネットワークに対する別の学習手法を示す。 ネットワークノードの機能の進化には,進化計算を用いる。 画像分類タスクにおいて精度30%の精度向上が得られる。
  論文  参考訳（メタデータ） (2024-03-19T19:11:00Z)
• OFA$^2$: A Multi-Objective Perspective for the Once-for-All Neural Architecture Search [79.36688444492405]
  once-for-All(OFA)は、異なるリソース制約を持つデバイスのための効率的なアーキテクチャを探索する問題に対処するために設計された、ニューラルネットワーク検索(NAS)フレームワークである。 我々は,探索段階を多目的最適化問題として明示的に考えることにより,効率の追求を一歩進めることを目指している。
  論文  参考訳（メタデータ） (2023-03-23T21:30:29Z)
• Improved Tree Search for Automatic Program Synthesis [91.3755431537592]
  重要な要素は、有効なプログラムの空間における効率的な探索を可能にすることである。 ここでは2つの大きな異なるDSL上でのアート結果の状態を導くMCTSの変種を提案する。
  論文  参考訳（メタデータ） (2023-03-13T15:09:52Z)
• Knowledge Retrieval [0.0]
  本稿では主に,入力出力と動作ノードを用いた知識表現を構造化した関数型オブジェクト指向ネットワークに焦点をあてる。 本論文では,最適な出力を得るために木を横断する異なるアルゴリズムについても論じる。
  論文  参考訳（メタデータ） (2022-10-22T20:41:09Z)
• Community detection using low-dimensional network embedding algorithms [1.052782170493037]
  我々はDeepWalkとnode2vecという2つの主要なアルゴリズムが、標準ネットワークモデルのためのコミュニティを回復する際の性能を厳格に理解している。 固定された共起窓を考えると、非追跡確率の低いランダムウォークを用いた node2vec は、多くのスペーサーネットワークで成功することを示す。
  論文  参考訳（メタデータ） (2021-11-04T14:57:43Z)
• Optimized Quantum Networks [68.8204255655161]
  量子ネットワークは、ネットワーク要求の前に様々な種類の絡み合いを生成することができる。 これを応用して、所望の機能に合わせた絡み合いベースの量子ネットワークを設計する。
  論文  参考訳（メタデータ） (2021-07-21T18:00:07Z)
• Artificial Neural Networks generated by Low Discrepancy Sequences [59.51653996175648]
  我々は、高密度ネットワークグラフ上のランダムウォーキングとして、人工ニューラルネットワークを生成する。 このようなネットワークはスクラッチからスパースを訓練することができ、高密度ネットワークをトレーニングし、その後圧縮する高価な手順を避けることができる。 我々は,低差分シーケンスで生成された人工ニューラルネットワークが,より低い計算複雑性で,密度の高いニューラルネットワークの到達範囲内で精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2021-03-05T08:45:43Z)
• Decoupled and Memory-Reinforced Networks: Towards Effective Feature Learning for One-Step Person Search [65.51181219410763]
  歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。 現在のワンステップアプローチには2つの大きな課題があります。 本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
  論文  参考訳（メタデータ） (2021-02-22T06:19:45Z)
• Learning to Branch for Multi-Task Learning [12.49373126819798]
  ネットワーク内の共有や分岐の場所を学習するマルチタスク学習アルゴリズムを提案する。 本稿では,木分岐操作をガムベル・ソフトマックスサンプリング手法として用いる新しい木構造設計空間を提案する。
  論文  参考訳（メタデータ） (2020-06-02T19:23:21Z)
• A "Network Pruning Network" Approach to Deep Model Compression [62.68120664998911]
  マルチタスクネットワークを用いた深部モデル圧縮のためのフィルタプルーニング手法を提案する。 我々のアプローチは、プレナーネットワークを学習して、事前訓練されたターゲットネットワークを訓練することに基づいている。 提案手法によって生成された圧縮モデルは汎用的であり,特別なハードウェア/ソフトウェアのサポートは不要である。
  論文  参考訳（メタデータ） (2020-01-15T20:38:23Z)

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。