論文の概要: Exploring the role of structure in a time constrained decision task

• arxiv url: http://arxiv.org/abs/2401.10849v1
• Date: Fri, 19 Jan 2024 17:48:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 14:55:20.793228
• Title: Exploring the role of structure in a time constrained decision task
• Title（参考訳）: 時間制約決定課題における構造の役割を探る
• Authors: Naomi Chaix-Eichel, Gautham Venugopal, Thomas Boraud, Nicolas P. Rougier
• Abstract要約: 基底ガングリアは多くの種で非常に類似している。 我々は、ランダムなアーキテクチャに基づいて複雑なタスクを解くことができるエコー状態ネットワークパラダイムを利用する。 我々の結果は、遅い(直接)経路と遅い情報を扱うことができる高速(超直接)経路を持つことの利点を強調します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The structure of the basal ganglia is remarkably similar across a number of species (often described in terms of direct, indirect and hyperdirect pathways) and is deeply involved in decision making and action selection. In this article, we are interested in exploring the role of structure when solving a decision task while avoiding to make any strong assumption regarding the actual structure. To do so, we exploit the echo state network paradigm that allows to solve complex task based on a random architecture. Considering a temporal decision task, the question is whether a specific structure allows for better performance and if so, whether this structure shares some similarity with the basal ganglia. Our results highlight the advantage of having a slow (direct) and a fast (hyperdirect) pathway that allows to deal with late information during a decision making task.
• Abstract（参考訳）: 基底神経節の構造は、多くの種(しばしば直接的、間接的、超直接的な経路で説明される)で著しく類似しており、意思決定と行動選択に深く関わっている。 本稿では、実際の構造について強い仮定をしないまま、意思決定タスクの解決における構造の役割を探究することに興味がある。 そこで我々は、ランダムなアーキテクチャに基づいて複雑なタスクを解くことができるエコー状態ネットワークパラダイムを利用する。 時間的決定タスクを考えると、特定の構造がより良いパフォーマンスを許容するかどうかと、その構造が基底神経節と何らかの類似性を持っているかどうかが問題となる。 我々の結果は、意思決定タスク中に遅延情報を扱うことができる遅い(ダイレクト)と速い(ハイパーダイレクト)経路を持つことの利点を強調します。

関連論文リスト

• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• Introducing Gating and Context into Temporal Action Detection [0.8987776881291144]
  時間的行動検出(TAD)は、動作の重なり合いと動作の変動が原因で依然として困難である。 最近の知見から,TAD性能は自己保持機構よりもトランスの構造設計に依存することが示唆された。 本稿では,軽量かつ効果的な操作による特徴抽出プロセスを提案する。
  論文  参考訳（メタデータ） (2024-09-06T11:52:42Z)
• SEER: Facilitating Structured Reasoning and Explanation via Reinforcement Learning [29.514755268807868]
  構造的推論と説明を容易にする構造的回帰を最大化する新しい手法であるSEERを提案する。 提案手法は構造的推論に固有の階層構造と分岐構造を正確に記述する。 実験の結果,SEERは最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-01-24T06:10:51Z)
• Learning Top-k Subtask Planning Tree based on Discriminative Representation Pre-training for Decision Making [9.302910360945042]
  複雑な現実世界のタスクから抽出された事前知識による計画は、人間が正確な決定を行うために不可欠である。 マルチエンコーダと個別予測器を導入し、簡単なサブタスクのための十分なデータからタスク固有表現を学習する。 また、注意機構を用いてトップkのサブタスク計画木を生成し、未確認タスクの複雑な決定を導くためにサブタスク実行計画をカスタマイズする。
  論文  参考訳（メタデータ） (2023-12-18T09:00:31Z)
• Structurally guided task decomposition in spatial navigation tasks [7.21356271882087]
  我々は,人間のタスク分解の既存のモデルを拡張して,幅広い単純な計画問題を説明する。 以上の結果から,本フレームワークはオンライン実験の参加者のナビゲーション戦略を正確に予測できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-03T17:27:30Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)
• Enforcing and Discovering Structure in Machine Learning [18.750116414606698]
  学習アルゴリズムの解に対応する構造特性を強制することは賢明かもしれない。 本論文では,学習アルゴリズムの解の構成に関する2つの異なる研究分野について考察する。
  論文  参考訳（メタデータ） (2021-11-26T15:34:55Z)
• Auto-Panoptic: Cooperative Multi-Component Architecture Search for Panoptic Segmentation [144.50154657257605]
  本稿では、バックボーン、セグメンテーションブランチ、フィーチャーフュージョンモジュールを含むすべての主要コンポーネントを同時に検索する効率的なフレームワークを提案する。 検索したアーキテクチャ、すなわちAuto-Panopticは、挑戦的なCOCOとADE20Kベンチマークに関する新しい最先端技術を実現します。
  論文  参考訳（メタデータ） (2020-10-30T08:34:35Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)
• Theory-Inspired Path-Regularized Differential Network Architecture Search [206.93821077400733]
  差分アーキテクチャサーチ(DARTS)における高速ネットワーク最適化に対するスキップ接続の影響と,他のタイプの操作に対する競争上の優位性について検討する。 i)操作間の不当競争を避けるために各操作に導入された差分群構造スパース二乗ゲートと,(ii)浅部より収束する深部アーキテクチャの探索を誘導するために用いられる経路深度正規化の2つの主要なモジュールからなる理論に着想を得た経路規則化DARTSを提案する。
  論文  参考訳（メタデータ） (2020-06-30T05:28:23Z)

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。