論文の概要: Detecting and Accommodating Novel Types and Concepts in an Embodied Simulation Environment

• arxiv url: http://arxiv.org/abs/2211.04555v1
• Date: Tue, 8 Nov 2022 20:55:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 16:21:40.809456
• Title: Detecting and Accommodating Novel Types and Concepts in an Embodied Simulation Environment
• Title（参考訳）: 具体化シミュレーション環境における新しいタイプと概念の検出と適応
• Authors: Sadaf Ghaffari, Nikhil Krishnaswamy
• Abstract要約: 本稿では,AIシステムにおける2種類のメタ認知タスクの手法を提案する。 ニューラルな分類モデルを拡張して、新しい分類対象を適応させ、新しい分類対象を既知のクラスとして誤分類する代わりに、新しい分類対象がいつ観測されるかを認識する。 本稿では,新しいカテゴリや概念の導入を迅速に行うための一連の実験,新しい型検出,対話型システムにおける2つの統合アーキテクチャについて述べる。
• 参考スコア（独自算出の注目度）: 4.507860128918788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present methods for two types of metacognitive tasks in an AI system: rapidly expanding a neural classification model to accommodate a new category of object, and recognizing when a novel object type is observed instead of misclassifying the observation as a known class. Our methods take numerical data drawn from an embodied simulation environment, which describes the motion and properties of objects when interacted with, and we demonstrate that this type of representation is important for the success of novel type detection. We present a suite of experiments in rapidly accommodating the introduction of new categories and concepts and in novel type detection, and an architecture to integrate the two in an interactive system.
• Abstract（参考訳）: 本稿では,ニューラル分類モデルを急速に拡張し,新しいカテゴリーのオブジェクトに適応させ,観察を既知のクラスとして誤分類する代わりに,新たなオブジェクト型が観察された場合に認識する,というaiシステムにおけるメタ認知タスクの2つの方法を提案する。 提案手法は,対話時の物体の運動と特性を記述する具体的シミュレーション環境から得られた数値データを用いて,新しいタイプの検出を成功させる上で,この表現が重要であることを示す。 本稿では,新しいカテゴリや概念の導入を迅速に行うための一連の実験,新しい型検出,対話型システムにおける2つの統合アーキテクチャについて述べる。

関連論文リスト

• Contextuality Helps Representation Learning for Generalized Category Discovery [5.885208652383516]
  本稿では、文脈性の概念を活用することにより、一般化カテゴリー発見(GCD)への新たなアプローチを提案する。 我々のモデルでは,コントラスト学習に最も近いコンテキストが使用されるインスタンスレベルと,コントラスト学習を利用するクラスタレベルという,2つのコンテキストレベルを統合している。 文脈情報の統合は、特徴学習を効果的に改善し、その結果、すべてのカテゴリの分類精度が向上する。
  論文  参考訳（メタデータ） (2024-07-29T07:30:41Z)
• Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
  統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。 マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。 MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
  論文  参考訳（メタデータ） (2024-03-21T08:08:31Z)
• Spatial Reasoning for Few-Shot Object Detection [21.3564383157159]
  本稿では,空間的推論フレームワークを提案する。 グラフ畳み込みネットワークをRoIとその関連性はそれぞれノードとエッジとして定義する。 提案手法は最先端の手法を著しく上回り, 広範囲なアブレーション研究により有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-02T12:38:08Z)
• Automatically Discovering Novel Visual Categories with Self-supervised Prototype Learning [68.63910949916209]
  本稿では,大規模な画像収集において未知のカテゴリを識別することを目的とした,新しいカテゴリ発見(NCD)の課題に取り組む。 本稿では,プロトタイプ表現学習とプロトタイプ自己学習という,2つの主要な段階からなる適応型プロトタイプ学習手法を提案する。 本研究では,4つのベンチマークデータセットについて広範な実験を行い,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-08-01T16:34:33Z)
• Novel Class Discovery without Forgetting [72.52222295216062]
  我々は NCDwF: Novel Class Discovery without Forgetting の新たな実用的問題設定を特定し,定式化する。 ラベルのないデータから新しいカテゴリのインスタンスを段階的に発見する機械学習モデルを提案する。 CIFAR-10, CIFAR-100, ImageNet-1000に基づく実験プロトコルを導入し, 知識保持と新しいクラス発見のトレードオフを測定する。
  論文  参考訳（メタデータ） (2022-07-21T17:54:36Z)
• Is an Object-Centric Video Representation Beneficial for Transfer? [86.40870804449737]
  トランスアーキテクチャ上にオブジェクト中心のビデオ認識モデルを導入する。 対象中心モデルが先行映像表現より優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-20T17:59:44Z)
• Exploiting Embodied Simulation to Detect Novel Object Classes Through Interaction [4.507860128918788]
  我々は、既知のオブジェクトタイプが与えられた積み重ねタスクに対して強化学習ポリシーを訓練し、同じ訓練されたポリシーに基づいて、他の様々なオブジェクトを積み重ねようとするエージェントの結果を観察します。 与えられたオブジェクトと既知のオブジェクトの類似性を決定することができ、与えられたオブジェクトが既知のオブジェクトのクラスであると見なすのに十分相違があるかどうかを判断できる。 本手法は,2つの異なるポリシーを用いて収集された2つのデータセットに対して,エージェントが環境からどのような情報を取り出す必要があるかを示す。
  論文  参考訳（メタデータ） (2022-04-17T23:16:55Z)
• The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
  特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。 本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。 本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
  論文  参考訳（メタデータ） (2022-03-04T18:32:58Z)
• Disentangling What and Where for 3D Object-Centric Representations Through Active Inference [4.088019409160893]
  本稿では、時間とともに新しいオブジェクトカテゴリを学習できるアクティブ推論エージェントを提案する。 我々のエージェントは、教師なしの方法で、多くのオブジェクトカテゴリの表現を学習できることを示す。 我々は,エージェントが画素ベースのレンダリングから与えられたポーズでオブジェクトを検索できるエンドツーエンドでシステムを検証する。
  論文  参考訳（メタデータ） (2021-08-26T12:49:07Z)
• Recent Progress in Appearance-based Action Recognition [73.6405863243707]
  アクション認識は、ビデオ内の様々な人間の行動を特定するタスクである。 最近の外見に基づく手法は、正確な行動認識に向けて有望な進歩を遂げている。
  論文  参考訳（メタデータ） (2020-11-25T10:18:12Z)

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。