Fugu-MT 論文翻訳(概要): A Novel Representation to Improve Team Problem Solving in Real-Time

論文の概要: A Novel Representation to Improve Team Problem Solving in Real-Time

arxiv url: http://arxiv.org/abs/2310.19539v1
Date: Mon, 30 Oct 2023 13:46:24 GMT
ステータス: 処理完了
システム内更新日: 2023-11-01 20:07:35.463135
Title: A Novel Representation to Improve Team Problem Solving in Real-Time
Title（参考訳）: チーム問題解決をリアルタイムで改善するための新しい表現
Authors: Alex Doboli
Abstract要約: 本稿では,実生活における問題解決におけるチームの行動の理解と改善を支援するために,計算メトリクスをサポートする新しい表現を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper proposes a novel representation to support computing metrics that help understanding and improving in real-time a team's behavior during problem solving in real-life. Even though teams are important in modern activities, there is little computing aid to improve their activity. The representation captures the different mental images developed, enhanced, and utilized during solving. A case study illustrates the representation.
Abstract（参考訳）: 本稿では,実生活における問題解決におけるチームの行動の理解と改善を支援する,計算メトリクスを支援する新しい表現を提案する。チームは現代の活動において重要ですが、活動を改善するためのコンピューティング支援はほとんどありません。この表現は、解決中に開発、拡張、利用された異なるメンタルイメージをキャプチャする。ケーススタディは表現を示します。

関連論文リスト

Multi-qubit state visualizations to support problem solving $-$ a pilot study [1.8879980022743639]
数式-記号的ディラック表記法を単独で用いた場合, 学生のパフォーマンス, 時間, 認知負荷を, 単ビット系および多ビット系における円表記法や次元円表記法と組み合わせて比較した。学生のパフォーマンスの全体的な違いは、提示された表現によってほとんど検出できないが、問題解決性能は学生に依存し、文脈に依存していることを観察する。
論文参考訳（メタデータ） (2024-06-24T11:46:35Z)
Learning in Factored Domains with Information-Constrained Visual Representations [14.674830543204317]
本稿では、視覚学習タスクで使用される$beta$-Variational Auto-Encoderの変形形式に基づくヒューマンファクター表現学習のモデルを提案する。その結果,学習速度と再現精度の関係から,モデル潜在次元空間の情報複雑性のトレードオフが示された。
論文参考訳（メタデータ） (2023-03-30T16:22:10Z)
A Marriage between Adversarial Team Games and 2-player Games: Enabling Abstractions, No-regret Learning, and Subgame Solving [31.29335755664997]
emphExのアンテ相関は、プレイヤーのチームがゼロサムゲームで別のチームと対決する、後続のチームゲームにおいて主流のアプローチになりつつある。本研究は, 連勝チームゲームと2プレーヤゲームとのギャップを埋めることで, この弱点から回復できることを示す。我々は,emphteam-public-informationと呼ばれる新しいゲーム表現を提案し,チーム全体で共通する情報のみを知り,各メンバーに可能なプライベートな状態に対するアクションを指示する単一コーディネータとして表現する。
論文参考訳（メタデータ） (2022-06-18T10:02:08Z)
Feature Forgetting in Continual Representation Learning [48.89340526235304]
表現は、平凡な連続学習においても「破滅的な忘れ」に苦しめられることはないが、その特徴についてはほとんど知られていない。連続的な学習における表現を評価するためのプロトコルを考案し、それを用いて連続的な表現学習の基本的傾向の概要を示す。特徴忘れ問題を研究するために、ニューラルネットワークにおける特徴忘れの頻度を識別し視覚化する合成データセットを作成する。
論文参考訳（メタデータ） (2022-05-26T13:38:56Z)
Learning to Transfer Role Assignment Across Team Sizes [48.43860606706273]
チーム規模で役割の割り当てと移譲を学ぶためのフレームワークを提案する。ロールベースの信用割当構造を再利用することで、より大きな強化学習チームの学習プロセスが促進されることを示す。
論文参考訳（メタデータ） (2022-04-17T11:22:01Z)
Advancing Methodology for Social Science Research Using Alternate Reality Games: Proof-of-Concept Through Measuring Individual Differences and Adaptability and their impact on Team Performance [8.680283375719466]
オープンな問題に取り組む作業について、個人差とチーム適応への影響を理解することに焦点を当てて論じる。具体的には,調査データと行動データを拡張する手法に関して,我々の貢献を具体的に論じる。この問題をより難易度の高いものにするために、私たちは特定の種類の環境、Alternate Reality Games(ARGs)に注力することにしました。
論文参考訳（メタデータ） (2021-06-25T16:22:22Z)
From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
論文参考訳（メタデータ） (2021-05-25T20:17:10Z)
A Survey of Orthogonal Moments for Image Representation: Theory, Implementation, and Evaluation [70.0671278823937]
モーメントに基づく画像表現は、セマンティック記述のコア条件を満たすのに有効であると報告されている。本稿では,画像表現における直交モーメントの包括的調査を行い,高速/精度計算,ロバスト性/不変性最適化,定義拡張の最近の進歩について述べる。提案した理論分析,ソフトウェア実装,評価結果は,特に新しい技術開発や実世界の応用の促進において,コミュニティを支援することができる。
論文参考訳（メタデータ） (2021-03-27T03:41:08Z)
HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
論文参考訳（メタデータ） (2021-02-22T20:37:01Z)
Return-Based Contrastive Representation Learning for Reinforcement Learning [126.7440353288838]
そこで本研究では,学習表現に異なる戻り値を持つ状態-動作ペアを判別させる新しい補助タスクを提案する。アルゴリズムはatariゲームやdeepmindコントロールスイートの複雑なタスクのベースラインを上回っています。
論文参考訳（メタデータ） (2021-02-22T13:04:18Z)

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。