論文の概要: OnDeFog: Online Decision Transformer under Frame Dropping

• arxiv url: http://arxiv.org/abs/2606.19721v1
• Date: Thu, 18 Jun 2026 02:37:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.615078
• Title: OnDeFog: Online Decision Transformer under Frame Dropping
• Title（参考訳）: OnDeFog: フレームドロップによるオンライン決定変換
• Abstract要約: ランダムフレームドロップ(DeFog)に基づく決定変換器はフレームドロップに対処するために開発された。 OnDeFogがDeFogのメカニズムをオンライン意思決定変換器(ODT)に統合 OnDeFogは、高いドロップフレームレートを特徴とする環境でのODTよりも優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 1.565870461096057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In challenging real-world reinforcement learning applications, communication delays or sensor failures often cause frame dropping, in which the agent cannot receive the dropped states and associated rewards. To address the performance degradation caused by frame dropping, the Decision Transformer under Random Frame Dropping (DeFog) was developed by incorporating additional mechanisms into the decision transformer to tackle frame dropping. Although DeFog can mitigate performance degradation in frame-dropping environments, since DeFog is an offline learning method, it struggles to effectively generalize to novel states not adequately represented in the training dataset. In this study, we propose OnDeFog, which integrates the mechanisms in DeFog with the online decision transformer (ODT), an online reinforcement learning method that learns policies through direct environmental interaction. Comprehensive experimental evaluation demonstrates that our proposed OnDeFog achieves superior performance compared to ODT in environments characterized by high dropping frame rate and outperforms DeFog on datasets containing a large amount of low-reward data.
• Abstract（参考訳）: 現実世界の強化学習アプリケーションでは、通信遅延やセンサーの故障がしばしばフレームダウンを引き起こし、エージェントはドロップした状態と関連する報酬を受け取れない。 フレームドロップによる性能劣化に対処するため, フレームドロップに付加的な機構を組み込んだランダムフレームドロップ(DeFog)による決定変換器を開発した。 DeFogはフレームドロップ環境での性能劣化を軽減することができるが、オフラインの学習方法であるため、トレーニングデータセットに適切に表現されていない新しい状態に効果的に一般化することは困難である。 本研究では,DeFogのメカニズムをオンライン意思決定変換器(ODT)と統合したOnDeFogを提案する。 包括的実験により,提案したOnDeFogは,高いフレームレートの低下と,大量の低逆データを含むデータセット上でのDeFogの性能向上を特徴とする環境において,ODTと比較して優れた性能を発揮することが示された。

関連論文リスト

• AgriKD: Cross-Architecture Knowledge Distillation for Efficient Leaf Disease Classification [0.05599792629509228]
  AgriKDは効率的なエッジデプロイメントのためのクロスアーキテクチャ知識蒸留フレームワークである。 ビジョントランスフォーマー(ViT)の教師から、コンパクトな畳み込み学生モデルに知識を移す。 それは無視できる精度で一貫した予測性能を達成する。
  論文  参考訳（メタデータ） (2026-05-02T09:58:57Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• Lightweight and Robust Federated Data Valuation [24.16107496848504]
  フェデレーテッド・ラーニング(FL)は、非IIDデータ分散と敵対的クライアントの振る舞いにより、永続的な課題に直面している。 提案するFLアグリゲーションフレームワークであるFedIFは,トラジェクトリに基づく影響推定を利用して,クライアントのコントリビューションを効率的に計算する。 実世界の展開において,FedIFは,効率的かつ堅牢なFLを実現するために,Shapley値ベースのアプローチに代わる実用的で理論的に基礎的かつスケーラブルな代替手段として確立されている。
  論文  参考訳（メタデータ） (2025-09-29T22:31:56Z)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• Lightweight Federated Learning over Wireless Edge Networks [83.4818741890634]
  Federated (FL) はネットワークエッジの代替品であるが、無線ネットワークでは代替品である。 閉形式式FL収束ギャップ伝送パワー,モデルプルーニング誤差,量子化を導出する。 LTFLは、実世界のデータセットの実験において最先端のスキームよりも優れている。
  論文  参考訳（メタデータ） (2025-07-13T09:14:17Z)
• DORNet: A Degradation Oriented and Regularized Network for Blind Depth Super-Resolution [48.744290794713905]
  現実のシナリオでは、キャプチャーされた深度データは、センサーの制限や複雑な撮像環境のために、従来と変わらない劣化に悩まされることが多い。 本稿では,現実のシーンにおける未知の劣化に適応的に対処する新しいフレームワークであるDORNetを提案する。 提案手法は,低解像度深度データの劣化表現をモデル化した自己教師付き劣化学習戦略の開発から始まる。 効率的なRGB-D融合を容易にするために,学習した劣化先行情報に基づいて,RGBコンテンツを奥行きデータに選択的に伝播する劣化指向の特徴変換モジュールを導入する。
  論文  参考訳（メタデータ） (2024-10-15T14:53:07Z)
• MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
  ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。 ViT法はトランスの表現性を生かし,優れた検出性能を実現する。 この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
  論文  参考訳（メタデータ） (2024-04-12T13:02:08Z)
• Decision Transformer under Random Frame Dropping [17.72056773757238]
  Decision Transformer(DeFog)はオフラインのRLアルゴリズムで、エージェントがオンラインインタラクションなしでフレームドロップシナリオで堅牢に動作できるようにする。 DeFogは90%のフレームダウン率で強いベースラインを上回ります。 当社のアプローチでは,制限あるいは信頼性の低いデータで実環境のエージェントを制御する,堅牢でデプロイ可能なソリューションを提供しています。
  論文  参考訳（メタデータ） (2023-03-03T14:56:36Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)

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。