論文の概要: Learning Abstract World Models with a Group-Structured Latent Space

• arxiv url: http://arxiv.org/abs/2506.01529v1
• Date: Mon, 02 Jun 2025 10:43:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.197384
• Title: Learning Abstract World Models with a Group-Structured Latent Space
• Title（参考訳）: グループ構造潜在空間を用いた抽象世界モデル学習
• Authors: Thomas Delliaux, Nguyen-Khanh Vu, Vincent François-Lavet, Elise van der Pol, Emmanuel Rachelson,
• Abstract要約: 学習された遷移モデルの表現多様体に幾何的事前を課すことができるかを示す。 実験により、これは完全な非構造的アプローチよりも潜伏遷移モデルのより良い予測に繋がることを示した。
• 参考スコア（独自算出の注目度）: 12.685414866379366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning meaningful abstract models of Markov Decision Processes (MDPs) is crucial for improving generalization from limited data. In this work, we show how geometric priors can be imposed on the low-dimensional representation manifold of a learned transition model. We incorporate known symmetric structures via appropriate choices of the latent space and the associated group actions, which encode prior knowledge about invariances in the environment. In addition, our framework allows the embedding of additional unstructured information alongside these symmetries. We show experimentally that this leads to better predictions of the latent transition model than fully unstructured approaches, as well as better learning on downstream RL tasks, in environments with rotational and translational features, including in first-person views of 3D environments. Additionally, our experiments show that this leads to simpler and more disentangled representations. The full code is available on GitHub to ensure reproducibility.
• Abstract（参考訳）: マルコフ決定過程(MDP)の有意義な抽象モデルを学ぶことは、限られたデータから一般化を改善するために重要である。 本研究では,学習遷移モデルの低次元表現多様体に対して,幾何的先行を課すことができるかを示す。 我々は、環境における不変性に関する事前知識を符号化する潜在空間と関連する群作用の適切な選択により、既知の対称構造を組み込む。 さらに,本フレームワークは,これらの対称性と並行して,付加的な構造化されていない情報の埋め込みを可能にする。 本研究では,3次元環境の1対1の視点を含む回転・翻訳機能を有する環境において,非構造的アプローチよりも潜時遷移モデルの予測精度が向上し,下流RLタスクの学習性が向上することが実験的に示された。 さらに、我々の実験は、これがより単純でより不整合な表現につながることを示した。 再現性を保証するための全コードはGitHubで公開されている。

関連論文リスト

• In-context learning of evolving data streams with tabular foundational models [42.13420474990124]
  この研究は両領域の進歩を橋渡しし、トランスフォーマーの暗黙のメタ学習能力、ドリフトする自然データへの事前トレーニング、動的環境における適応学習のコア課題へのコンテキスト最適化への依存などを強調した。 本研究は,TabPFNが単純なスライディングメモリ戦略と組み合わさって,非定常ベンチマークにおけるHoeffdingツリーのアンサンブルを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-02-24T04:52:35Z)
• Self-Supervised Representation Learning with Meta Comprehensive Regularization [11.387994024747842]
  既存の自己管理フレームワークに組み込まれたCompMod with Meta Comprehensive Regularization (MCR)というモジュールを導入する。 提案したモデルを双方向最適化機構により更新し,包括的特徴を捉える。 本稿では,情報理論と因果対実的視点から提案手法の理論的支援を行う。
  論文  参考訳（メタデータ） (2024-03-03T15:53:48Z)
• Human as Points: Explicit Point-based 3D Human Reconstruction from Single-view RGB Images [71.91424164693422]
  我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。 提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。 我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
  論文  参考訳（メタデータ） (2023-11-06T05:52:29Z)
• A Geometric Perspective on Variational Autoencoders [0.0]
  本稿では、完全に幾何学的な視点から、変分オートエンコーダフレームワークの新たな解釈を提案する。 このスキームを使うことで、バニラVAEと競合し、いくつかのベンチマークデータセットのより高度なバージョンよりも優れていることが示される。
  論文  参考訳（メタデータ） (2022-09-15T15:32:43Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Leveraging Equivariant Features for Absolute Pose Regression [9.30597356471664]
  変換と回転の同変である畳み込みニューラルネットワークは,カメラの動きの表現を直接特徴空間に誘導することを示す。 次に、この幾何学的性質により、画像平面保存変換の全グループの下でトレーニングデータを暗黙的に増大させることができることを示す。
  論文  参考訳（メタデータ） (2022-04-05T12:44:20Z)
• Learning Augmentation Distributions using Transformed Risk Minimization [47.236227685707526]
  本稿では,古典的リスク最小化の拡張として,新しいemphTransformed Risk Minimization(TRM)フレームワークを提案する。 重要な応用として、与えられたクラスの予測器による分類性能を改善するために、学習強化に焦点を当てる。
  論文  参考訳（メタデータ） (2021-11-16T02:07:20Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。