論文の概要: Easy-IIL: Reducing Human Operational Burden in Interactive Imitation Learning via Assistant Experts

• arxiv url: http://arxiv.org/abs/2603.12769v1
• Date: Fri, 13 Mar 2026 08:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.751596
• Title: Easy-IIL: Reducing Human Operational Burden in Interactive Imitation Learning via Assistant Experts
• Title（参考訳）: Easy-IIL: アシスタントエキスパートによる対話型模倣学習におけるヒューマン操作バーデンの削減
• Authors: Chengjie Zhang, Chao Tang, Wenlong Dong, Dehao Huang, Aoxiang Gu, Hong Zhang,
• Abstract要約: インタラクティブ・イミテーション・ラーニング (Interactive Imitation Learning, IIL) は、通常、オフラインのデモンストレーションとオンラインのインタラクションの両方に広範囲にわたる人間の関与に依存している。 そこで本研究では,市販のモデルベース模倣手法を,アクティブな人体操作を置き換えるための補助専門家として活用するフレームワークであるEasy-IILを提案する。
• 参考スコア（独自算出の注目度）: 12.489888398587874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive Imitation Learning (IIL) typically relies on extensive human involvement for both offline demonstration and online interaction. Prior work primarily focuses on reducing human effort in passive monitoring rather than active operation. Interestingly, structured model-based imitation approaches achieve comparable performance with significantly fewer demonstrations than end-to-end imitation learning policies in the low-data regime. However, these methods are typically surpassed by end-to-end policies as the data increases. Leveraging this insight, we propose Easy-IIL, a framework that utilizes off-the-shelf model-based imitation methods as an assistant expert to replace active human operation for the majority of data collection. The human expert only provides a single demonstration to initialize the assistant expert and intervenes in critical states where the task is approaching failure. Furthermore, Easy-IIL can maintain IIL performance by preserving both offline and online data quality. Extensive simulation and real-world experiments demonstrate that Easy-IIL significantly reduces human operational burden while maintaining performance comparable to mainstream IIL baselines. User studies further confirm that Easy-IIL reduces subjective workload on the human expert. Project page: https://sites.google.com/view/easy-iil
• Abstract（参考訳）: インタラクティブ・イミテーション・ラーニング (Interactive Imitation Learning, IIL) は、通常、オフラインのデモンストレーションとオンラインのインタラクションの両方に広範囲にわたる人間の関与に依存している。 以前の作業は主に、アクティブな操作ではなく、受動的監視における人間の労力を減らすことに焦点を当てていた。 興味深いことに、構造化されたモデルベースの模倣アプローチは、低データ体制におけるエンドツーエンドの模倣学習ポリシーよりもはるかに少ない実演で同等のパフォーマンスを達成する。 しかし、これらの手法は通常、データが増加するにつれてエンドツーエンドのポリシーに取って代わられる。 この知見を生かした Easy-IIL は,市販のモデルベース模倣手法をアシスタントエキスパートとして活用し,データ収集の大部分でアクティブな人的操作を置き換えるフレームワークである。 ヒューマンエキスパートは、アシスタントエキスパートを初期化し、タスクが障害に近づいているクリティカルな状態に介入するための単一のデモンストレーションのみを提供する。 さらに、Easy-IILは、オフラインとオンラインのデータ品質の両方を保存することで、IILのパフォーマンスを維持することができる。 大規模なシミュレーションと実世界の実験により、Easy-IILは主要なIILベースラインに匹敵する性能を維持しながら、人間の運用上の負担を著しく低減することが示された。 ユーザー研究により、Easy-IILは人間の専門知識に対する主観的な負担を減らすことが確認された。 プロジェクトページ: https://sites.google.com/view/easy-iil

関連論文リスト

• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• "Give Me an Example Like This": Episodic Active Reinforcement Learning from Demonstrations [3.637365301757111]
  専門家デモ(RLED)からの強化学習(Reinforcement Learning from Expert Demonstrations)のような手法は、学習プロセス中のエージェント探索を促進するために外部の専門家によるデモンストレーションを導入します。 学習にとって最も有益な人間のデモのベストセットをどうやって選ぶかが、大きな関心事になります。 本稿では,学習エージェントが軌跡に基づく特徴空間において,専門家による実演を最適化したクエリを生成できるアルゴリズムEARLYを提案する。
  論文  参考訳（メタデータ） (2024-06-05T08:52:21Z)
• Test-Time Adaptation for Combating Missing Modalities in Egocentric Videos [92.38662956154256]
  現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。 再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
  論文  参考訳（メタデータ） (2024-04-23T16:01:33Z)
• Mimicking Better by Matching the Approximate Action Distribution [48.95048003354255]
  そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。 我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T12:43:47Z)
• Minimizing Human Assistance: Augmenting a Single Demonstration for Deep Reinforcement Learning [0.0]
  簡単なバーチャルリアリティーシミュレーションによって収集された1つの人間の例を用いて、RLトレーニングを支援する。 提案手法は,人間的なデモを多数生成するために,1つのデモを増強する。 人間の例から学ぶにもかかわらず、エージェントは人間レベルのパフォーマンスに制約されない。
  論文  参考訳（メタデータ） (2022-09-22T19:04:43Z)
• TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
  オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。 我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。 実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
  論文  参考訳（メタデータ） (2021-10-27T21:05:00Z)
• PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
  我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。 提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-09T14:10:50Z)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)

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。