論文の概要: NAR-*ICP: Neural Execution of Classical ICP-based Pointcloud Registration Algorithms

• arxiv url: http://arxiv.org/abs/2410.11031v3
• Date: Wed, 08 Oct 2025 11:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 14:21:17.88676
• Title: NAR-*ICP: Neural Execution of Classical ICP-based Pointcloud Registration Algorithms
• Title（参考訳）: NAR-*ICP:古典ICPに基づくポイントクラウド登録アルゴリズムのニューラルネットワークによる実行
• Authors: Efimia Panagiotaki, Daniele De Martini, Lars Kunze, Paul Newman, Petar Veličković,
• Abstract要約: 本研究ではニューラルネットワークと古典ロボットアルゴリズムの交点をニューラルアルゴリズム推論(NAR)ブループリントを用いて検討する。 我々は,従来のICPベース登録アルゴリズムの中間計算を学習する新しいグラフニューラルネットワーク(GNN)ベースのフレームワークであるNAR-*ICPを提案する。 我々は、実世界のデータセットと合成データセットにまたがるアプローチを評価し、複雑な入力を扱う際の柔軟性を実証した。
• 参考スコア（独自算出の注目度）: 16.025166074715816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study explores the intersection of neural networks and classical robotics algorithms through the Neural Algorithmic Reasoning (NAR) blueprint, enabling the training of neural networks to reason like classical robotics algorithms by learning to execute them. Algorithms are integral to robotics and safety-critical applications due to their predictable and consistent performance through logical and mathematical principles. In contrast, while neural networks are highly adaptable, handling complex, high-dimensional data and generalising across tasks, they often lack interpretability and transparency in their internal computations. To bridge the two, we propose a novel Graph Neural Network (GNN)-based framework, NAR-*ICP, that learns the intermediate computations of classical ICP-based registration algorithms, extending the CLRS Benchmark. We evaluate our approach across real-world and synthetic datasets, demonstrating its flexibility in handling complex inputs, and its potential to be used within larger learning pipelines. Our method achieves superior performance compared to the baselines, even surpassing the algorithms it was trained on, further demonstrating its ability to generalise beyond the capabilities of traditional algorithms.
• Abstract（参考訳）: 本研究では,ニューラルネットワークと古典ロボティクスアルゴリズムの交点をニューラルネットワーク推論(NAR)ブループリントを用いて探索し,ニューラルネットワークの学習により,古典ロボティクスアルゴリズムと同様の推論を可能にする。 アルゴリズムは、論理的および数学的原理を通じて予測可能で一貫した性能のため、ロボット工学や安全クリティカルな応用に不可欠なものである。 対照的に、ニューラルネットワークは高度に適応可能であり、複雑で高次元のデータを扱い、タスクをまたいで一般化するが、内部計算では解釈可能性や透明性が欠けていることが多い。 そこで我々は,従来のICPベースの登録アルゴリズムの中間計算を学習し,CLRSベンチマークを拡張した新しいグラフニューラルネットワーク(GNN)ベースのフレームワークであるNAR-*ICPを提案する。 実世界のデータセットと合成データセットにまたがるアプローチを評価し、複雑な入力を扱う際の柔軟性と、より大きな学習パイプラインで使用可能な可能性を示す。 提案手法はベースラインよりも優れた性能を実現し,トレーニング対象のアルゴリズムを超越し,従来のアルゴリズムの能力を超越した一般化能力を示す。

関連論文リスト

• Mind The Gap: Deep Learning Doesn't Learn Deeply [16.284360949127723]
  本稿では,ニューラルネットワークが2つの疑問に対処してアルゴリズム推論をどのように学習するかを理解することを目的とする。 ニューラルネットワークが効果的なアルゴリズムを学習できないのはなぜなのか?
  論文  参考訳（メタデータ） (2025-05-24T10:11:36Z)
• Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
  ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。 この論文は、この領域の研究に理論的および実践的な貢献を提供する。
  論文  参考訳（メタデータ） (2024-02-21T12:16:51Z)
• Training Neural Networks with Internal State, Unconstrained Connectivity, and Discrete Activations [66.53734987585244]
  真のインテリジェンスには、内部状態を管理するマシンラーニングモデルが必要だ。 このようなモデルのトレーニングに最も効果的なアルゴリズムは,まだ発見されていない。 このようなトレーニングアルゴリズムを2進アクティベーションと1つの重みの行列のみを持つアーキテクチャに適用する試みについて述べる。
  論文  参考訳（メタデータ） (2023-12-22T01:19:08Z)
• Neural Algorithmic Reasoning Without Intermediate Supervision [21.852775399735005]
  我々は、中間的監督に訴えることなく、入出力ペアからのみニューラルネットワーク推論を学ぶことに集中する。 我々は、アルゴリズムの軌跡にアクセスできることなく、モデルの中間計算を正規化できる自己教師対象を構築する。 CLRSic Algorithmic Reasoning Benchmarkのタスクにおいて,提案手法はトラジェクトリを教師する手法と競合することを示す。
  論文  参考訳（メタデータ） (2023-06-23T09:57:44Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• A Generalist Neural Algorithmic Learner [18.425083543441776]
  我々は、幅広いアルゴリズムを実行することを学習できる単一のグラフニューラルネットワークプロセッサを構築している。 マルチタスク方式でアルゴリズムを効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2022-09-22T16:41:33Z)
• Learning with Differentiable Algorithms [6.47243430672461]
  この論文は、古典的なアルゴリズムとニューラルネットワークのような機械学習システムを組み合わせることを探求している。 この論文はアルゴリズムの監督という概念を定式化し、ニューラルネットワークがアルゴリズムから、あるいは、アルゴリズムと連動して学ぶことを可能にする。 さらに、この論文では、微分可能なソートネットワーク、微分可能なソートゲート、微分可能な論理ゲートネットワークなど、微分可能なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-01T17:30:00Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• Evolving Reinforcement Learning Algorithms [186.62294652057062]
  メタラーニング強化学習アルゴリズムの手法を提案する。 学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。 従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
  論文  参考訳（メタデータ） (2021-01-08T18:55:07Z)
• Recurrent Neural Network Learning of Performance and Intrinsic Population Dynamics from Sparse Neural Data [77.92736596690297]
  本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。 提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。 注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
  論文  参考訳（メタデータ） (2020-05-05T14:16:54Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)

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。