論文の概要: Sketch-Plan-Generalize: Continual Few-Shot Learning of Inductively Generalizable Spatial Concepts for Language-Guided Robot Manipulation

• arxiv url: http://arxiv.org/abs/2404.07774v1
• Date: Thu, 11 Apr 2024 14:09:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 13:40:16.796033
• Title: Sketch-Plan-Generalize: Continual Few-Shot Learning of Inductively Generalizable Spatial Concepts for Language-Guided Robot Manipulation
• Title（参考訳）: Sketch-Plan-Generalize:言語誘導型ロボットマニピュレーションのための帰納的一般化可能な空間概念の連続的なFew-Shot学習
• Authors: Namasivayam Kalithasan, Sachit Sachdeva, Himanshu Gaurav Singh, Divyanshu Aggarwal, Gurarmaan Singh Panjeta, Vishal Bindal, Arnav Tuli, Rohan Paul, Parag Singla,
• Abstract要約: そこで本研究では, 基底型神経概念に対して, 帰納的概念を象徴的な構成として表現することで, ニューロシンボリックなアプローチを提案する。 提案手法は,新しい概念を学習し,一般化する能力において,既存のベースラインを著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 6.932008652560561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Our goal is to build embodied agents that can learn inductively generalizable spatial concepts in a continual manner, e.g, constructing a tower of a given height. Existing work suffers from certain limitations (a) (Liang et al., 2023) and their multi-modal extensions, rely heavily on prior knowledge and are not grounded in the demonstrations (b) (Liu et al., 2023) lack the ability to generalize due to their purely neural approach. A key challenge is to achieve a fine balance between symbolic representations which have the capability to generalize, and neural representations that are physically grounded. In response, we propose a neuro-symbolic approach by expressing inductive concepts as symbolic compositions over grounded neural concepts. Our key insight is to decompose the concept learning problem into the following steps 1) Sketch: Getting a programmatic representation for the given instruction 2) Plan: Perform Model-Based RL over the sequence of grounded neural action concepts to learn a grounded plan 3) Generalize: Abstract out a generic (lifted) Python program to facilitate generalizability. Continual learning is achieved by interspersing learning of grounded neural concepts with higher level symbolic constructs. Our experiments demonstrate that our approach significantly outperforms existing baselines in terms of its ability to learn novel concepts and generalize inductively.
• Abstract（参考訳）: 我々のゴールは、例えば所定の高さの塔を構築するような連続的な方法で、帰納的に一般化可能な空間概念を学習できるエンボディエージェントを構築することである。 既存の仕事は一定の限界に悩まされる (a)(Liang et al ,2023)とそのマルチモーダル拡張は、先行知識に大きく依存しており、デモンストレーションに基づかない (b) (Liu et al , 2023) は純粋に神経学的アプローチによる一般化能力に欠ける。 鍵となる課題は、一般化する能力を持つ記号表現と、物理的に基底を持つ神経表現との微妙なバランスを達成することである。 そこで本研究では,インダクティブな概念を接地型神経概念よりも象徴的な構成として表現することで,ニューロシンボリックなアプローチを提案する。 我々の重要な洞察は、概念学習問題を次のステップに分解することである。 1)スケッチ:与えられた命令のプログラム表現を得る 2 計画:モデルベースRLを基礎とした脳活動概念の系列上で実行し、基礎的計画を学ぶ。 3) 一般化: 汎用性を促進するために、ジェネリック(リフトされた)Pythonプログラムを抽象化する。 連続学習は、より高いレベルの記号構造を持つ基底的ニューラルネットワーク概念の学習を交互に行うことによって達成される。 提案手法は,新しい概念を学習し,インダクティブに一般化する能力において,既存のベースラインを著しく上回っていることを示す。

関連論文リスト

• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• OC-NMN: Object-centric Compositional Neural Module Network for Generative Visual Analogical Reasoning [49.12350554270196]
  モジュラリティがいかにして、想像にインスパイアされた構成データ拡張フレームワークを導出できるかを示す。 本手法は, オブジェクト中心合成ニューラルネットワーク (OC-NMN) を用いて, 視覚生成推論タスクを, ドメイン固有言語を使わずに, オブジェクトに適用した一連のプリミティブに分解する。
  論文  参考訳（メタデータ） (2023-10-28T20:12:58Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• A Minimalist Dataset for Systematic Generalization of Perception, Syntax, and Semantics [131.93113552146195]
  我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。 HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。 我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
  論文  参考訳（メタデータ） (2021-03-02T01:32:54Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
  メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。 良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
  論文  参考訳（メタデータ） (2020-06-18T15:50:57Z)
• Revisit Systematic Generalization via Meaningful Learning [15.90288956294373]
  最近の研究は、ニューラルネットワークはそのような認知能力に本質的に効果がないように見えると主張している。 新しい概念と古い概念のセマンティックリンクを条件としたシーケンス・ツー・シーケンス・モデルの合成スキルを再評価する。
  論文  参考訳（メタデータ） (2020-03-14T15:27:29Z)

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。