論文の概要: Transfer Learning in Robotics: An Upcoming Breakthrough? A Review of
Promises and Challenges
- arxiv url: http://arxiv.org/abs/2311.18044v2
- Date: Wed, 13 Dec 2023 19:21:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 03:34:08.623936
- Title: Transfer Learning in Robotics: An Upcoming Breakthrough? A Review of
Promises and Challenges
- Title（参考訳）: ロボット工学におけるトランスファー学習: 今後のブレークスルー?
約束と挑戦のレビュー
- Authors: No\'emie Jaquier, Michael C. Welle, Andrej Gams, Kunpeng Yao, Bernardo
Fichera, Aude Billard, Ale\v{s} Ude, Tamim Asfour, Danica Kragic
- Abstract要約: トランスファーラーニング(Transfer Learning)は、真にインテリジェントなエンボディエージェントを追求する概念的なパラダイムである。
ロボット,タスク,環境といった重要な概念を考慮に入れた最初の分類法を提供する。
- 参考スコア（独自算出の注目度）: 21.466914175906904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transfer learning is a conceptually-enticing paradigm in pursuit of truly
intelligent embodied agents. The core concept -- reusing prior knowledge to
learn in and from novel situations -- is successfully leveraged by humans to
handle novel situations. In recent years, transfer learning has received
renewed interest from the community from different perspectives, including
imitation learning, domain adaptation, and transfer of experience from
simulation to the real world, among others. In this paper, we unify the concept
of transfer learning in robotics and provide the first taxonomy of its kind
considering the key concepts of robot, task, and environment. Through a review
of the promises and challenges in the field, we identify the need of
transferring at different abstraction levels, the need of quantifying the
transfer gap and the quality of transfer, as well as the dangers of negative
transfer. Via this position paper, we hope to channel the effort of the
community towards the most significant roadblocks to realize the full potential
of transfer learning in robotics.
- Abstract（参考訳）: トランスファーラーニングは、真にインテリジェントなエンボディエージェントを追求する概念的なパラダイムである。
新たな状況から学び、そこから学ぶための事前知識の再利用という中心的な概念は、人間が新しい状況に対処するためにうまく活用されている。
近年では、模倣学習、ドメイン適応、シミュレーションから実世界への体験の移譲など、さまざまな視点からコミュニティから新たな関心を集めている。
本稿では,ロボット工学における伝達学習の概念を統一し,ロボット,タスク,環境といった重要な概念を考慮に入れた最初の分類法を提供する。
この分野における約束と課題のレビューを通じて、異なる抽象レベルでの転送の必要性、転送ギャップの定量化の必要性、転送品質、および負の転送の危険性を特定する。
この立場から,ロボット工学における伝達学習の可能性を実現するために,コミュニティの努力を最も重要な道路ブロックへと導いていくことを願っている。
関連論文リスト
- CrowdTransfer: Enabling Crowd Knowledge Transfer in AIoT Community [12.002871068635748]
Crowd Knowledge Transfer(CrowdTransfer)は、エージェントの集団から学んだ事前知識を移行して、トレーニングコストを削減することを目的としている。
集団知性の観点からは, 導出, 共有, 進化, 融合モードの4つの伝達モードを提示する。
人間の活動認識、都市コンピューティング、マルチロボットシステム、スマートファクトリなど、AIoT分野のいくつかの応用について検討する。
論文 参考訳（メタデータ） (2024-07-09T01:20:37Z) - Risk of Transfer Learning and its Applications in Finance [2.966069495345018]
本稿では,トランスファーリスクの新たな概念を提案し,その特性を分析し,トランスファー学習のトランスファー可能性を評価する。
数値計算の結果,伝達リスクと全体の伝達学習性能との間に強い相関関係が認められた。
論文 参考訳（メタデータ） (2023-11-06T17:23:54Z) - Feasibility of Transfer Learning: A Mathematical Framework [4.530876736231948]
それは、必要な数学的概念を確立し、伝達学習のための数学的枠組みを構築することから始まる。
そして、3段階の転送学習手順を最適化問題として特定・定式化し、実現可能性問題の解決を可能にする。
論文 参考訳（メタデータ） (2023-05-22T12:44:38Z) - Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。
シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
論文 参考訳（メタデータ） (2023-03-30T17:58:36Z) - Feasibility and Transferability of Transfer Learning: A Mathematical
Framework [4.031388559887924]
我々は、転送学習の一般的な手順のための数学的枠組みを初めて構築する。
また、トランスファー学習のトランスファー可能性を評価するために、トランスファーリスクという新しい概念を提案する。
論文 参考訳（メタデータ） (2023-01-27T05:54:53Z) - Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。
本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。
我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳（メタデータ） (2022-01-15T15:03:17Z) - Adaptive Policy Transfer in Reinforcement Learning [9.594432031144715]
我々は,対象タスクの解法を学ぶために,ソースポリシーを適応させる「適応から学習」可能な原則的メカニズムを導入する。
提案手法は適応と探索から学習をシームレスに組み合わせることを学び、堅牢な政策伝達アルゴリズムに導くことを示した。
論文 参考訳（メタデータ） (2021-05-10T22:42:03Z) - Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。
私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。
提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
論文 参考訳（メタデータ） (2020-09-24T15:40:55Z) - Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。
近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。
転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
論文 参考訳（メタデータ） (2020-09-16T18:38:54Z) - What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。
事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文 参考訳（メタデータ） (2020-08-26T17:23:40Z) - Exploring the Limits of Transfer Learning with a Unified Text-to-Text
Transformer [64.22926988297685]
下流タスクで微調整される前に、まずデータリッチタスクでモデルが事前訓練されるトランスファーラーニングは、自然言語処理(NLP)において強力な手法として登場した。
本稿では,すべてのテキストベースの言語問題をテキスト・トゥ・テキスト・フォーマットに変換する統一フレームワークにより,NLPのためのトランスファー学習手法を導入する状況について検討する。
論文 参考訳（メタデータ） (2019-10-23T17:37:36Z)
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。