論文の概要: Learning What Matters: Adaptive Information-Theoretic Objectives for Robot Exploration
- arxiv url: http://arxiv.org/abs/2605.12084v1
- Date: Tue, 12 May 2026 13:07:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.874115
- Title: Learning What Matters: Adaptive Information-Theoretic Objectives for Robot Exploration
- Title（参考訳）: 重要なことを学ぶ:ロボット探索のための適応的情報理論の対象
- Abstract要約: 目的は、モデルパラメータの不確実性を低減するデータへの探索をガイドすることである。
多くのパラメータ方向は観測不能か識別不能であり、識別可能な方向が選択されたとしても、省略方向は探索や歪んだ情報測定に影響を与えうる。
Qfootnotesize OEDは最適な実験設計に基づく適応情報である。
- 参考スコア（独自算出の注目度）: 32.475564852975104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing learnable information-theoretic objectives for robot exploration remains challenging. Such objectives aim to guide exploration toward data that reduces uncertainty in model parameters, yet it is often unclear what information the collected data can actually reveal. Although reinforcement learning (RL) can optimize a given objective, constructing objectives that reflect parametric learnability is difficult in high-dimensional robotic systems. Many parameter directions are weakly observable or unidentifiable, and even when identifiable directions are selected, omitted directions can still influence exploration and distort information measures. To address this challenge, we propose Quasi-Optimal Experimental Design (Q{\footnotesize OED}), an adaptive information objective grounded in optimal experimental design. Q{\footnotesize OED} (i) performs eigenspace analysis of the Fisher information matrix to identify an observable subspace and select identifiable parameter directions, and (ii) modifies the exploration objective to emphasize these directions while suppressing nuisance effects from non-critical parameters. Under bounded nuisance influence and limited coupling between critical and nuisance directions, Q{\footnotesize OED} provides a constant-factor approximation to the ideal information objective that explores all parameters. We evaluate Q{\footnotesize OED} on simulated and real-world navigation and manipulation tasks, where identifiable-direction selection and nuisance suppression yield performance improvements of \SI{35.23}{\percent} and \SI{21.98}{\percent}, respectively. When integrated as an exploration objective in model-based policy optimization, Q{\footnotesize OED} further improves policy performance over established RL baselines.
- Abstract（参考訳）: ロボット探索のための学習可能な情報理論の目的を設計することは依然として困難である。
このような目的は、モデルパラメータの不確実性を減少させるデータへの探索を導くことを目的としているが、収集されたデータが実際にどのような情報を明らかにするかは、しばしば不明である。
強化学習(RL)は、与えられた目的を最適化することができるが、高次元ロボットシステムではパラメトリック学習性を反映した目的の構築は困難である。
多くのパラメータ方向は観測不能か識別不能であり、識別可能な方向が選択されたとしても、省略方向は探索や歪んだ情報測定に影響を与えうる。
この課題に対処するため、最適実験設計に基づく適応情報である準最適実験設計(Q{\footnotesize OED})を提案する。
Q{\footnotesize OED
一 フィッシャー情報行列の固有空間解析を行い、観測可能な部分空間を特定し、特定可能なパラメータ方向を選択し、
2)非臨界パラメータからのニュアンス効果を抑えつつ,これらの方向を強調するために探索対象を変更する。
Q{\footnotesize OED} は、有界なニュアンスの影響と臨界方向とニュアンス方向の限定的な結合の下で、全てのパラメータを探索する理想的な情報目的に対する定数要素近似を提供する。
シミュレーションおよび実世界のナビゲーションおよび操作タスクにおけるQ{\footnotesize OED} の評価を行い, 同定可能な方向選択とニュアンス抑制がそれぞれ, SI{35.23}{\percent} と \SI{21.98}{\percent} の性能向上をもたらすことを示した。
Q{\footnotesize OED}は、モデルベースポリシー最適化における探索目標として統合されると、確立されたRLベースラインよりも、ポリシー性能が向上する。
関連論文リスト
- Interest Entanglement: The Hidden Barrier to Blind Super-Resolution Optimization [33.76674489448376]
画像超解像タスクにおける忠実度と知覚品質のバランスをとる方法を示す。
本稿では,異なる最適化目標の学習プロセスを分離した共有特徴表現に基づく超解法フレームワーク(SFR)を提案する。
また,共有機能をよりよく活用するために,次元の縮小と拡張プロセスを通じて冗長な情報をフィルタリングするInfoSqueezeモジュールを提案する。
論文 参考訳（メタデータ） (2026-06-21T06:21:28Z) - Enhancing Object Detection with Privileged Information: A Model-Agnostic Teacher-Student Approach [2.1303542744717148]
本稿では、オブジェクト検出におけるLUPI(Learning Using Privileged Information)パラダイムの統合について検討する。
本稿では,ボックスマスクを深層学習に基づく物体検出装置に注入するなど,特権情報を注入するための汎用的モデルに依存しない手法を提案する。
論文 参考訳（メタデータ） (2026-01-05T11:24:34Z) - Offline Model-Based Optimization: Comprehensive Review [61.91350077539443]
オフライン最適化は、オフラインデータセットのみを使用してブラックボックス機能の最適化を目標とする、科学とエンジニアリングの基本的な課題である。
モデルベース最適化の最近の進歩は、オフライン固有の代理モデルと生成モデルを開発するために、ディープニューラルネットワークの一般化能力を活用している。
科学的な発見を加速させる効果が増大しているにもかかわらず、この分野は包括的なレビューを欠いている。
論文 参考訳（メタデータ） (2025-03-21T16:35:02Z) - Oriented Tiny Object Detection: A Dataset, Benchmark, and Dynamic Unbiased Learning [51.170479006249195]
本研究では,新しいデータセット,ベンチマーク,動的粗大な学習手法を提案する。
提案するデータセットであるAI-TOD-Rは、すべてのオブジェクト指向オブジェクト検出データセットの中で最小のオブジェクトサイズを特徴としている。
完全教師付きおよびラベル効率の両アプローチを含む,幅広い検出パラダイムにまたがるベンチマークを提案する。
論文 参考訳（メタデータ） (2024-12-16T09:14:32Z) - InfoRM: Mitigating Reward Hacking in RLHF via Information-Theoretic Reward Modeling [66.3072381478251]
Reward Hacking(報酬の過度な最適化)は依然として重要な課題だ。
本稿では,報奨モデル,すなわちInfoRMのためのフレームワークを提案する。
InfoRMの過度な最適化検出機構は、有効であるだけでなく、幅広いデータセットにわたって堅牢であることを示す。
論文 参考訳（メタデータ） (2024-02-14T17:49:07Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - Refining the ONCE Benchmark with Hyperparameter Tuning [45.55545585587993]
本研究は、ポイントクラウドデータに対する半教師付き学習アプローチの評価に焦点を当てる。
データアノテーションは、LiDARアプリケーションのコンテキストにおいて最も重要である。
従来の半教師付き手法による改善は,従来考えられていたほど深くない可能性が示唆された。
論文 参考訳（メタデータ） (2023-11-10T13:39:07Z) - Discover, Explanation, Improvement: An Automatic Slice Detection
Framework for Natural Language Processing [72.14557106085284]
スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。
本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。
評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
論文 参考訳（メタデータ） (2022-11-08T19:00:00Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Visuomotor Mechanical Search: Learning to Retrieve Target Objects in
Clutter [43.668395529368354]
本稿では,教師支援による探索,特権情報による批判,中間レベルの表現を組み合わせた新しい深部RL手順を提案する。
我々のアプローチは、ベースラインやアブレーションよりも高速に学習し、より効率的な解の発見に収束する。
論文 参考訳（メタデータ） (2020-08-13T18:23:00Z)
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。