論文の概要: Diffusion Model for Planning: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2408.10266v1
• Date: Fri, 16 Aug 2024 08:37:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 18:28:07.443073
• Title: Diffusion Model for Planning: A Systematic Literature Review
• Title（参考訳）: 計画のための拡散モデル:体系的文献レビュー
• Authors: Toshihide Ubukata, Jialong Li, Kenji Tei,
• Abstract要約: 拡散モデルはプロセスを利用して複雑なデータ分布を効果的にキャプチャする。 拡散モデルの適用の最近の進歩は、2023年以降、関連する出版物に大きな成長をもたらした。
• 参考スコア（独自算出の注目度）: 0.5879683541040848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models, which leverage stochastic processes to capture complex data distributions effectively, have shown their performance as generative models, achieving notable success in image-related tasks through iterative denoising processes. Recently, diffusion models have been further applied and show their strong abilities in planning tasks, leading to a significant growth in related publications since 2023. To help researchers better understand the field and promote the development of the field, we conduct a systematic literature review of recent advancements in the application of diffusion models for planning. Specifically, this paper categorizes and discusses the current literature from the following perspectives: (i) relevant datasets and benchmarks used for evaluating diffusion modelbased planning; (ii) fundamental studies that address aspects such as sampling efficiency; (iii) skill-centric and condition-guided planning for enhancing adaptability; (iv) safety and uncertainty managing mechanism for enhancing safety and robustness; and (v) domain-specific application such as autonomous driving. Finally, given the above literature review, we further discuss the challenges and future directions in this field.
• Abstract（参考訳）: 複雑なデータ分布を効果的に捉えるために確率過程を利用する拡散モデルは、それらの性能を生成モデルとして示しており、反復的復調過程を通じて画像関連タスクにおいて顕著な成功を収めている。 近年、拡散モデルがさらに適用され、計画作業における強力な能力を示し、2023年以降、関連する出版物が著しい成長を遂げている。 本研究は,フィールドの理解を深め,フィールドの開発を促進するために,近年の拡散モデルの計画への応用に関する体系的な文献レビューを行う。 具体的には、以下の観点から、現在の文献を分類し、論じる。 一 拡散モデルに基づく計画の評価に使用する関連するデータセット及びベンチマーク 二 サンプリング効率等の側面に対処する基礎研究 三 適応性を高めるための技能中心及び条件誘導計画 四 安全性及び堅牢性を高めるための安全及び不確実性管理機構 (v)自律運転のようなドメイン固有のアプリケーション。 最後に,本分野における課題と今後の方向性について考察する。

関連論文リスト

• AI Foundation Models in Remote Sensing: A Survey [6.036426846159163]
  本稿では,リモートセンシング領域における基礎モデルの包括的調査を行う。 コンピュータビジョンおよびドメイン固有タスクにおけるそれらの応用に基づいて、これらのモデルを分類する。 これらの基盤モデルによって達成された、新しいトレンドと大きな進歩を強調します。
  論文  参考訳（メタデータ） (2024-08-06T22:39:34Z)
• Diffusion Models in Low-Level Vision: A Survey [82.77962165415153]
  拡散モデルに基づくソリューションは、優れた品質と多様性のサンプルを作成する能力で広く称賛されている。 本稿では,3つの一般化拡散モデリングフレームワークを提案し,それらと他の深層生成モデルとの相関関係について検討する。 医療、リモートセンシング、ビデオシナリオなど、他のタスクに適用された拡張拡散モデルについて要約する。
  論文  参考訳（メタデータ） (2024-06-17T01:49:27Z)
• A Survey on Diffusion Models for Time Series and Spatio-Temporal Data [92.1255811066468]
  時系列およびS時間データにおける拡散モデルの使用について概観し、それらをモデル、タスクタイプ、データモダリティ、実用的なアプリケーションドメインで分類する。 我々は拡散モデルを無条件型と条件付き型に分類し、時系列とS時間データを別々に議論する。 本調査は,医療,レコメンデーション,気候,エネルギー,オーディオ,交通など,さまざまな分野の応用を幅広くカバーしている。
  論文  参考訳（メタデータ） (2024-04-29T17:19:40Z)
• MG-TSD: Multi-Granularity Time Series Diffusion Models with Guided Learning Process [26.661721555671626]
  本稿では,最先端の予測性能を実現する新しい多粒度時系列(MG-TSD)モデルを提案する。 われわれのアプローチは外部データに頼らず、様々な領域にまたがって汎用的で適用可能である。
  論文  参考訳（メタデータ） (2024-03-09T01:15:03Z)
• The Rise of Diffusion Models in Time-Series Forecasting [5.808096811856718]
  本報告では,拡散モデルに関する背景情報を網羅し,条件付け手法を詳述し,時系列予測における使用状況について検討する。 この分析は、11の特定の時系列実装、それらの背後にある直観と理論、異なるデータセットに対する有効性、および互いに比較する。
  論文  参考訳（メタデータ） (2024-01-05T11:35:10Z)
• Diffusion Models for Image Restoration and Enhancement -- A Comprehensive Survey [96.99328714941657]
  本稿では,近年の拡散モデルに基づく画像復元手法について概観する。 我々は、赤外線とブラインド/現実世界の両方で拡散モデルを用いて、革新的なデザインを分類し、強調する。 本稿では,拡散モデルに基づくIRの今後の研究に向けた5つの可能性と課題を提案する。
  論文  参考訳（メタデータ） (2023-08-18T08:40:38Z)
• A Comprehensive Survey on Generative Diffusion Models for Structured Data [0.0]
  生成拡散モデルは 深層生成モデルにおいて 急激なパラダイムシフトを達成しました 構造化データは、ディープラーニング研究コミュニティから比較的限られた注目を集めている。 このレビューは、構造化データの生成拡散モデルの発展を促進する研究コミュニティの触媒となる。
  論文  参考訳（メタデータ） (2023-06-07T04:26:41Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Forethought and Hindsight in Credit Assignment [62.05690959741223]
  我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。 本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
  論文  参考訳（メタデータ） (2020-10-26T16:00:47Z)
• Using satellite imagery to understand and promote sustainable development [87.72561825617062]
  持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。 我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。 不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
  論文  参考訳（メタデータ） (2020-09-23T05:20:00Z)

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。