論文の概要: A Decentralized Spike-based Learning Framework for Sequential Capture in Discrete Perimeter Defense Problem

• arxiv url: http://arxiv.org/abs/2305.16748v1
• Date: Fri, 26 May 2023 08:50:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 16:13:01.462556
• Title: A Decentralized Spike-based Learning Framework for Sequential Capture in Discrete Perimeter Defense Problem
• Title（参考訳）: 離散周辺防衛問題におけるシーケンシャルキャプチャのための分散型スパイク学習フレームワーク
• Authors: Mohammed Thousif, Shridhar Velhal, Suresh Sundaram, and Shirin Dora
• Abstract要約: 本稿では,離散防衛問題(d-MTA)のための分散スパイク学習フレームワークを提案する。 その後、問題はマルチラベルの学習問題に変換され、ディフェンダーが周辺を保護するために訪れなければならないセグメントのラベルを得る。
• 参考スコア（独自算出の注目度）: 4.140391545576635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a novel Decentralized Spike-based Learning (DSL) framework for the discrete Perimeter Defense Problem (d-PDP). A team of defenders is operating on the perimeter to protect the circular territory from radially incoming intruders. At first, the d-PDP is formulated as a spatio-temporal multi-task assignment problem (STMTA). The problem of STMTA is then converted into a multi-label learning problem to obtain labels of segments that defenders have to visit in order to protect the perimeter. The DSL framework uses a Multi-Label Classifier using Synaptic Efficacy Function spiking neuRON (MLC-SEFRON) network for deterministic multi-label learning. Each defender contains a single MLC-SEFRON network. Each MLC-SEFRON network is trained independently using input from its own perspective for decentralized operations. The input spikes to the MLC-SEFRON network can be directly obtained from the spatio-temporal information of defenders and intruders without any extra pre-processing step. The output of MLC-SEFRON contains the labels of segments that a defender has to visit in order to protect the perimeter. Based on the multi-label output from the MLC-SEFRON a trajectory is generated for a defender using a Consensus-Based Bundle Algorithm (CBBA) in order to capture the intruders. The target multi-label output for training MLC-SEFRON is obtained from an expert policy. Also, the MLC-SEFRON trained for a defender can be directly used for obtaining labels of segments assigned to another defender without any retraining. The performance of MLC-SEFRON has been evaluated for full observation and partial observation scenarios of the defender. The overall performance of the DSL framework is then compared with expert policy along with other existing learning algorithms. The scalability of the DSL has been evaluated using an increasing number of defenders.
• Abstract（参考訳）: 本稿では,自律型周辺防衛問題(d-PDP)のための分散スパイク学習(DSL)フレームワークを提案する。 ディフェンダーのチームが周囲で活動しており、円形の領域を放射状の侵入者から保護しています。 まず、d-PDPを時空間多重タスク代入問題(STMTA)として定式化する。 STMTAの問題はマルチラベル学習問題に変換され、ディフェンダーが周辺を保護するために訪れなければならないセグメントのラベルを得る。 DSLフレームワークは、Synaptic Efficacy Function Spiking neuRON(MLC-SEFRON)ネットワークを用いて、決定論的マルチラベル学習を行う。 各ディフェンダーは単一のMLC-SEFRONネットワークを含む。 各MLC-SEFRONネットワークは、独自の視点で独立に訓練される。 MLC-SEFRONネットワークへの入力スパイクは、余分な前処理ステップなしでディフェンダーと侵入者の時空間情報から直接得ることができる。 MLC-SEFRONの出力には、ディフェンダーが周辺を保護するために訪問しなければならないセグメントのラベルが含まれている。 MLC-SEFRON からのマルチラベル出力に基づいて、侵入者を捕捉するために Consensus-Based Bundle Algorithm (CBBA) を用いてディフェンダーに対して軌道を生成する。 MLC-SEFRONを訓練するためのターゲットマルチラベル出力は、エキスパートポリシーから得られる。 また、ディフェンダーのために訓練されたMLC-SEFRONは、リトレーニングなしで他のディフェンダーに割り当てられたセグメントのラベルを取得するために直接使用できる。 mlcセフロンの性能はディフェンダーの完全な観測と部分観測シナリオで評価されている。 DSLフレームワーク全体のパフォーマンスは、他の既存の学習アルゴリズムと共にエキスパートポリシーと比較されます。 DSLのスケーラビリティは、より多くのディフェンダーを使って評価されています。

関連論文リスト

• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
  大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。 本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
  論文  参考訳（メタデータ） (2024-05-24T14:20:09Z)
• MKF-ADS: Multi-Knowledge Fusion Based Self-supervised Anomaly Detection System for Control Area Network [9.305680247704542]
  制御エリアネットワーク(英: Control Area Network, CAN)は、車両ネットワークにおける電子制御ユニット(ECU)間の通信プロトコルである。 CANは、本質的にセキュリティ上のリスクのために、厳しいセキュリティ上の課題に直面している。 本稿では,MKF-ADSと呼ばれる自己教師付き多知識融合異常検出モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-07T07:40:53Z)
• Discriminative Adversarial Unlearning [40.30974185546541]
  我々は、min-max最適化パラダイムの確立した原則に基づいて、新しい機械学習フレームワークを導入する。 我々は、訓練されたモデルから特定のサンプルの学習を容易にするために、強力なメンバーシップ推論攻撃(MIA)の能力を利用する。 提案アルゴリズムは,スクラッチから再学習する理想的なベンチマークを,ランダムサンプルの忘れ方とクラスワイドの忘れ方の両方に近似する。
  論文  参考訳（メタデータ） (2024-02-10T03:04:57Z)
• Defending Pre-trained Language Models as Few-shot Learners against Backdoor Attacks [72.03945355787776]
  軽快でプラガブルで効果的な PLM 防御である MDP を,少人数の学習者として提唱する。 我々は,MDPが攻撃の有効性と回避性の両方を選択できる興味深いジレンマを発生させることを解析的に示す。
  論文  参考訳（メタデータ） (2023-09-23T04:41:55Z)
• ProtoCon: Pseudo-label Refinement via Online Clustering and Prototypical Consistency for Efficient Semi-supervised Learning [60.57998388590556]
  ProtoConは信頼性に基づく疑似ラベル作成の新しい手法である。 ProtoConのオンライン版では、データセット全体のラベル履歴を1回のトレーニングサイクルで活用することができる。 最先端のデータセットよりも大幅に向上し、より高速に収束する。
  論文  参考訳（メタデータ） (2023-03-22T23:51:54Z)
• A Weakly Supervised Learning Framework for Salient Object Detection via Hybrid Labels [96.56299163691979]
  本稿では,ハイブリッドラベル下でのSODタスクに焦点をあてる。 このタスクにおけるラベルノイズと量不均衡の問題に対処するため、我々は3つの洗練されたトレーニング戦略を持つ新しいパイプラインフレームワークを設計する。 5つのSODベンチマーク実験により,本手法は弱教師付き/非教師付き手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2022-09-07T06:45:39Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Weakly Supervised Multi-Object Tracking and Segmentation [21.7184457265122]
  本稿では,マルチオブジェクト追跡と弱教師付きトラッキングの問題について紹介する。 ジョイントの弱い監督インスタンスセグメンテーションとマルチオブジェクトトラッキング。 そこで我々は,マルチタスク学習を活用した新たなシナジートレーニング戦略を考案する。 本研究では,本タスクの代表的なベンチマークであるKITTI MOTSの手法を評価し,車と歩行者の12%と12.7%に,完全監督と弱監督のアプローチによるMOTSPメトリックのパフォーマンスギャップを小さくした。
  論文  参考訳（メタデータ） (2021-01-03T17:06:43Z)

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。