論文の概要: Imitation Learning in the Deep Learning Era: A Novel Taxonomy and Recent Advances

• arxiv url: http://arxiv.org/abs/2511.03565v1
• Date: Wed, 05 Nov 2025 15:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.471979
• Title: Imitation Learning in the Deep Learning Era: A Novel Taxonomy and Recent Advances
• Title（参考訳）: 深層学習時代の模倣学習 : 新しい分類学と最近の進歩
• Authors: Iason Chrysomallis, Georgios Chalkiadakis,
• Abstract要約: イミテーションラーニング(Imitation Learning, IL)は、エージェントが1人または複数の専門家の行動を観察し、複製することで、スキルを習得することを可能にする。 模倣学習研究の最近の進歩を概観し,最近の動向,方法論的革新,実践的応用を概観する。
• 参考スコア（独自算出の注目度）: 3.691573844585973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imitation learning (IL) enables agents to acquire skills by observing and replicating the behavior of one or multiple experts. In recent years, advances in deep learning have significantly expanded the capabilities and scalability of imitation learning across a range of domains, where expert data can range from full state-action trajectories to partial observations or unlabeled sequences. Alongside this growth, novel approaches have emerged, with new methodologies being developed to address longstanding challenges such as generalization, covariate shift, and demonstration quality. In this survey, we review the latest advances in imitation learning research, highlighting recent trends, methodological innovations, and practical applications. We propose a novel taxonomy that is distinct from existing categorizations to better reflect the current state of the IL research stratum and its trends. Throughout the survey, we critically examine the strengths, limitations, and evaluation practices of representative works, and we outline key challenges and open directions for future research.
• Abstract（参考訳）: イミテーションラーニング(Imitation Learning, IL)は、エージェントが1人または複数の専門家の行動を観察し、複製することによって、スキルを習得することを可能にする。 近年、ディープラーニングの進歩は、専門的なデータから部分的な観察やラベルなしのシーケンスまで、さまざまな領域にわたって模倣学習の能力とスケーラビリティを大きく拡張している。 この成長とともに、一般化、共変量シフト、実演品質といった長年にわたる課題に対処する新しい手法が開発されている。 本調査では, 模倣学習研究の最近の進歩を概観し, 近年の動向, 方法論的革新, 実践的応用について概説する。 本稿では,IL研究層とその動向を反映し,既存の分類と異なる新たな分類法を提案する。 本調査を通じて,代表作品の長所,限界,評価の実践を批判的に検討し,今後の研究の鍵となる課題と方向性を概説する。

関連論文リスト

• A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction [21.966560704390716]
  我々はジェネレーティブ・モデル・アンラーニング(GenMU)に関する最近の研究についてレビューする。 本研究では,未学習目標,方法論的戦略,評価指標を分類するための統合分析フレームワークを提案する。 実世界のアプリケーションにおける非学習技術の潜在的な実用的価値を強調した。
  論文  参考訳（メタデータ） (2025-07-26T09:49:57Z)
• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
  蓄積とは、以前に獲得した知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Label-efficient Time Series Representation Learning: A Review [19.218833228063392]
  ラベル効率のよい時系列表現学習は、現実世界のアプリケーションにディープラーニングモデルをデプロイするのに不可欠である。 ラベル付き時系列データの不足に対処するため、転送学習、自己教師付き学習、半教師付き学習など様々な戦略が開発されている。 既存のアプローチを,外部データソースへの依存に基づいて,ドメイン内あるいはクロスドメインとして分類する,新たな分類法を初めて導入する。
  論文  参考訳（メタデータ） (2023-02-13T15:12:15Z)
• Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
  既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。 我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
  論文  参考訳（メタデータ） (2023-02-04T04:54:30Z)
• An information-theoretic perspective on intrinsic motivation in reinforcement learning: a survey [0.0]
  本稿では,これらの研究成果を情報理論に基づく新たな分類法を用いて調査することを提案する。 我々は、サプライズ、ノベルティ、スキル学習の概念を計算的に再考する。 我々の分析は、新規性とサプライズがトランスファー可能なスキルの階層を構築するのに役立つことを示唆している。
  論文  参考訳（メタデータ） (2022-09-19T09:47:43Z)
• Recent Few-Shot Object Detection Algorithms: A Survey with Performance Comparison [54.357707168883024]
  Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。 FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。 本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
  論文  参考訳（メタデータ） (2022-03-27T04:11:28Z)
• Neuro-evolutionary Frameworks for Generalized Learning Agents [1.2691047660244335]
  近年のディープラーニングと深層強化学習の成功は、最先端の人工知能技術としての地位を確固たるものにしている。 これらのアプローチの長年の欠点は、そのようなシステムが設計され、デプロイされる方法を再考する必要性を示している。 このような神経進化の枠組みから期待される改善と関連する課題について論じる。
  論文  参考訳（メタデータ） (2020-02-04T02:11:56Z)

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。