Fugu-MT 論文翻訳(概要): ViPro: Enabling and Controlling Video Prediction for Complex Dynamical Scenarios using Procedural Knowledge

論文の概要: ViPro: Enabling and Controlling Video Prediction for Complex Dynamical Scenarios using Procedural Knowledge

arxiv url: http://arxiv.org/abs/2407.09537v1
Date: Wed, 26 Jun 2024 09:01:35 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 13:18:53.341722
Title: ViPro: Enabling and Controlling Video Prediction for Complex Dynamical Scenarios using Procedural Knowledge
Title（参考訳）: ViPro: 手続き的知識を用いた複雑な動的シナリオの映像予測の実現と制御
Authors: Patrick Takenaka, Johannes Maucher, Marco F. Huber,
Abstract要約: 我々は、最先端のビデオ予測器が複雑な動的設定に苦しむことを示す。我々のアプローチは、モデルにおけるデータ駆動型アスペクトと専用手続き型知識モジュールとの間の、象徴的な対処可能なインターフェースの学習をもたらす。
参考スコア（独自算出の注目度）: 5.931665251123055
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a novel architecture design for video prediction in order to utilize procedural domain knowledge directly as part of the computational graph of data-driven models. On the basis of new challenging scenarios we show that state-of-the-art video predictors struggle in complex dynamical settings, and highlight that the introduction of prior process knowledge makes their learning problem feasible. Our approach results in the learning of a symbolically addressable interface between data-driven aspects in the model and our dedicated procedural knowledge module, which we utilize in downstream control tasks.
Abstract（参考訳）: データ駆動モデルの計算グラフの一部として、手続き的ドメイン知識を直接活用するために、ビデオ予測のための新しいアーキテクチャ設計を提案する。新たな挑戦的なシナリオに基づいて、最先端のビデオ予測器が複雑な動的設定に苦しむことを示し、プロセス知識の導入によって学習問題が実現可能であることを強調する。我々のアプローチは、モデルにおけるデータ駆動型アスペクトと、下流制御タスクで使用する専用手続き型知識モジュールとの間の、象徴的に対処可能なインターフェースの学習をもたらす。

関連論文リスト

Customized Information and Domain-centric Knowledge Graph Construction with Large Language Models [0.0]
本稿では,構造化情報へのタイムリーなアクセスを実現するための知識グラフに基づく新しいアプローチを提案する。本フレームワークは,情報検索,キーフレーズ抽出,セマンティックネットワーク生成,トピックマップ可視化などを含むテキストマイニングプロセスを含む。当社の方法論を自動車電気システムの領域に適用して,スケーラブルなアプローチを実証する。
論文参考訳（メタデータ） (2024-09-30T07:08:28Z)
Guiding Video Prediction with Explicit Procedural Knowledge [5.931665251123055]
本稿では,ドメインの手続き的知識をディープラーニングモデルに統合する一般的な方法を提案する。これは、データ駆動モデル単独の使用よりもパフォーマンスが向上することを示している。
論文参考訳（メタデータ） (2024-06-26T10:08:24Z)
Unsupervised Meta-Learning via In-Context Learning [3.4165401459803335]
本稿では,教師なしメタ学習における教師なしメタ学習の一般化能力を活用した新しい手法を提案する。提案手法は,メタラーニングをシーケンスモデリング問題として再設計し,トランスフォーマーエンコーダがサポート画像からタスクコンテキストを学習できるようにする。
論文参考訳（メタデータ） (2024-05-25T08:29:46Z)
Pre-training Contextualized World Models with In-the-wild Videos for Reinforcement Learning [54.67880602409801]
本稿では,視覚制御タスクの学習を効率的に行うために,Wild 動画を多用した事前学習型世界モデルの課題について検討する。本稿では、コンテキストと動的モデリングを明確に分離したContextualized World Models(ContextWM)を紹介する。実験により,ContextWMを内蔵したWildビデオ事前学習は,モデルベース強化学習のサンプル効率を大幅に向上できることが示された。
論文参考訳（メタデータ） (2023-05-29T14:29:12Z)
CoSMo: a Framework to Instantiate Conditioned Process Simulation Models [1.6021728114882514]
本稿では,ユーザの制約やアプリオリ知識の他の性質に基づいて,CoSMo(Conditioned Process Simulation Models)の発見に適した,新しいリカレントニューラルネットワークを提案する。このアーキテクチャは、宣言型ルールを学習フェーズに組み込むことで、特定の制約に従うイベントログのシミュレーションを容易にする。
論文参考訳（メタデータ） (2023-03-31T08:26:18Z)
Procedure Planning in Instructional Videosvia Contextual Modeling and Model-based Policy Learning [114.1830997893756]
本研究は,実生活ビデオにおける目標指向アクションを計画するモデルを学習することに焦点を当てる。本研究では,ベイズ推論とモデルに基づく模倣学習を通して,人間の行動のモデル化を行う新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-10-05T01:06:53Z)
Temporal Predictive Coding For Model-Based Planning In Latent Space [80.99554006174093]
時間的に予測可能な環境要素を符号化するために,時間的予測符号化を用いた情報理論的手法を提案する。本稿では,DMControl タスクの背景を複雑な情報を含む自然なビデオに置き換える,標準的な DMControl タスクの挑戦的な修正について評価する。
論文参考訳（メタデータ） (2021-06-14T04:31:15Z)
Meta-learning using privileged information for dynamics [66.32254395574994]
Neural ODE Processモデルを拡張して、Learning Using Privileged Information設定内の追加情報を使用します。シミュレーション動的タスクの精度とキャリブレーションを向上した実験により拡張性を検証する。
論文参考訳（メタデータ） (2021-04-29T12:18:02Z)
Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文参考訳（メタデータ） (2021-03-29T14:37:35Z)
An Investigation Between Schema Linking and Text-to-SQL Performance [21.524953580249395]
近年のニューラルアプローチは優れたパフォーマンスをもたらすが、将来の発展を妨げるのが難しいモデルである。本研究の目的は,ニューラルネットワークの解釈に対するより良いアプローチを提供することである。
論文参考訳（メタデータ） (2021-02-03T02:50:10Z)
Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文参考訳（メタデータ） (2020-12-15T16:29:49Z)

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。