Fugu-MT 論文翻訳(概要): Guidance and Control Networks with Periodic Activation Functions

論文の概要: Guidance and Control Networks with Periodic Activation Functions

arxiv url: http://arxiv.org/abs/2405.18084v1
Date: Tue, 28 May 2024 11:45:30 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 18:48:53.629481
Title: Guidance and Control Networks with Periodic Activation Functions
Title（参考訳）: 周期的活性化機能を有する誘導制御ネットワーク
Authors: Sebastien Origer, Dario Izzo,
Abstract要約: 本稿では,隠蔽層における周期的アクティベーション関数を用いた誘導制御ネットワーク(G&CNET)の修正版を提案する。得られたG&CNETは,3つの異なる制御シナリオにおいて,より高速にトレーニングし,全体的なトレーニング誤差を低くすることを示した。
参考スコア（独自算出の注目度）: 5.472114129137035
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inspired by the versatility of sinusoidal representation networks (SIRENs), we present a modified Guidance & Control Networks (G&CNETs) variant using periodic activation functions in the hidden layers. We demonstrate that the resulting G&CNETs train faster and achieve a lower overall training error on three different control scenarios on which G&CNETs have been tested previously. A preliminary analysis is presented in an attempt to explain the superior performance of the SIREN architecture for the particular types of tasks that G&CNETs excel on.
Abstract（参考訳）: 正弦波表現ネットワーク(SIREN)の汎用性に着想を得て,隠れ層における周期的アクティベーション関数を用いた改良型誘導制御ネットワーク(G&CNET)を提案する。我々は、G&CNETが以前テストされた3つの異なる制御シナリオにおいて、結果のG&CNETがより速くトレーニングし、全体的なトレーニングエラーを低くすることを示した。予備解析は、G&CNETが優れている特定の種類のタスクに対して、SIRENアーキテクチャの優れた性能を説明するために提示される。

関連論文リスト

Rapid Network Adaptation: Learning to Adapt Neural Networks Using Test-Time Feedback [12.946419909506883]
テスト時間フィードバック信号を用いてネットワークをオンザフライで適応するクローズドループシステムを構築した。本稿では,このループを学習型関数を用いて効果的に実装し,ネットワークに対する償却を実現する方法を提案する。これにより、Rapid Network Adaptation (RNA) と呼ばれる適応手法が実現され、ベースラインよりも柔軟で桁違いに高速になる。
論文参考訳（メタデータ） (2023-09-27T16:20:39Z)
Adaptive Siamese Tracking with a Compact Latent Network [219.38172719948048]
追跡タスクを分類に変換することで,シームズをベースとしたトラッカーを簡易化する直感的なビューを提供する。そこで本研究では,視覚シミュレーションと実追跡例を用いて,詳細な解析を行う。そこで我々は,古典的なSiamRPN++,SiamFC,SiamBANの3つのトラッカーを調整した。
論文参考訳（メタデータ） (2023-02-02T08:06:02Z)
Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文参考訳（メタデータ） (2022-11-15T13:00:25Z)
HS3: Learning with Proper Task Complexity in Hierarchically Supervised Semantic Segmentation [81.87943324048756]
本稿では,タスクの複雑さによって意味のある表現を学習するためのセグメンテーションネットワークの中間層を監督するトレーニングスキームである階層的意味論(Hierarchically Supervised Semantic,HS3)を提案する。提案するHS3-Fuseフレームワークはセグメンテーション予測をさらに改善し、2つの大きなセグメンテーションベンチマークであるNYUD-v2とCityscapesで最先端の結果を得る。
論文参考訳（メタデータ） (2021-11-03T16:33:29Z)
Wireless Link Scheduling via Graph Representation Learning: A Comparative Study of Different Supervision Levels [4.264192013842096]
本稿では,無線干渉ネットワークにおける二元電力制御(リンクスケジューリング)の問題点を考察し,グラフ表現学習を用いて電力制御ポリシーを訓練する。ノードの埋め込みは、教師なし、教師なし、自己教師なしの学習など、様々な方法で訓練できることを示す。
論文参考訳（メタデータ） (2021-10-04T21:22:12Z)
Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks [208.15591625749272]
視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
論文参考訳（メタデータ） (2021-06-24T23:57:21Z)
TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism [2.5144068869465994]
本稿では,グラフニューラルネットワーク(GCN)と自己認識機構,すなわちTSAMに基づくディープラーニングモデルを提案する。我々は,TSAMの有効性を検証するために,4つの現実的ネットワーク上で比較実験を行った。
論文参考訳（メタデータ） (2020-08-23T11:56:40Z)
When Does Self-Supervision Help Graph Convolutional Networks? [118.37805042816784]
自己スーパービジョンは、画像のより転送可能で一般化可能で堅牢な表現学習のために、畳み込みニューラルネットワーク(CNN)を訓練するために採用されている。本研究では,グラフ畳み込みネットワーク(GCN)に自己超越を取り入れた最初の体系的探索について報告する。その結果、適切に設計されたタスク形式と構成機構により、より一般化性と堅牢性を得る上で、自己スーパービジョンはGCNに恩恵をもたらすことが明らかとなった。
論文参考訳（メタデータ） (2020-06-16T13:29:48Z)
Self-Supervised Dynamic Networks for Covariate Shift Robustness [9.542023122304098]
Self-Supervised Dynamic Networks (SSDN) は、自己教師ネットワークがメインネットワークの重みを予測できる入力依存のメカニズムである。本稿では,画像分類問題における提案手法の概念的および実証的利点について述べる。
論文参考訳（メタデータ） (2020-06-06T19:37:20Z)
Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2020-04-06T15:51:00Z)
Overcoming Catastrophic Forgetting in Graph Neural Networks with Experience Replay [16.913443823792022]
グラフニューラルネットワーク(GNN)は、最近、様々なグラフ関連学習タスクにおける優れたパフォーマンスのために、大きな研究の注目を集めている。本研究では,GNNを連続学習タスクに適用できるかどうかを考察する。
論文参考訳（メタデータ） (2020-03-22T14:29:53Z)

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。