論文の概要: VFILC: Accurate Frequency Extrapolations in Imitation Learning via Sampling Frequency ILC

• arxiv url: http://arxiv.org/abs/2606.20056v1
• Date: Thu, 18 Jun 2026 10:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.797867
• Title: VFILC: Accurate Frequency Extrapolations in Imitation Learning via Sampling Frequency ILC
• Title（参考訳）: VFILC:サンプリング周波数ICCによる模倣学習における正確な周波数外挿
• Authors: Nozomu Masuya, Toshiaki Tsuji, Sho Sakaino,
• Abstract要約: 可変周波数模倣学習(VFIL)は、NNモデルのサンプリング周波数と動き周波数をリンクすることで、速度の補間を可能にする。 本研究では,VFILと反復学習制御(ILC)を組み合わせた,反復学習制御(VFILC)を用いた可変周波数模倣学習を提案する。 実験の結果, 提案手法は動作速度を正確に推定し, 周波数誤差を低減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.09558392439655013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional neural network (NN)-based imitation learning methods for variable-speed motion either restricted their scope to interpolated speeds, or generated unpredictable motions when extrapolating beyond trained velocity ranges. Variable-frequency imitation learning (VFIL) enabled extrapolations of speeds by linking the NN model's sampling frequency to the motion frequency, whereas its open-loop configuration caused frequency errors, especially in the extrapolated high-frequency settings. This study proposes variable-frequency imitation learning with iterative learning control (VFILC) based on a combination of VFIL and iterative learning control (ILC) with both feedforward and feedback parts, the former taking advantage of VFIL and the latter adjusting the frequency errors. The experimental results showed that the proposed method successfully and accurately extrapolated motion speeds and reduced frequency errors in all three tasks, and that the feedback especially reduced the frequency errors by a remarkable 81% in the wiping task and 50% in the shaking task, both compared to simple feedforward VFIL, when extrapolating at double the average speed in the training data. The proposed method also improved accuracy by 27% compared with VFIL even at an interpolated frequency for a contact-rich mixing task affected by complex friction traits.
• Abstract（参考訳）: 従来のニューラルネットワーク(NN)に基づく可変速度運動の模倣学習手法は、そのスコープを補間速度に制限するか、またはトレーニングされた速度範囲を超えて外挿した場合に予測不可能な動作を生成する。 可変周波数模倣学習(VFIL)は、NNモデルのサンプリング周波数を動作周波数にリンクすることで、スピードの外挿を可能にした。 本研究では,VFILとIterative Learning Control(ILC)の組み合わせによる,VFILとVFILを併用した可変周波数模倣学習を提案する。 実験の結果,提案手法は3つのタスクの動作速度を正確に推定し,周波数誤差を低減し,トレーニングデータの平均速度を2倍にすると,ワイピングタスクでは81%,揺動タスクでは50%の周波数誤差が顕著に減少することがわかった。 また, 複雑な摩擦特性に影響を受ける接触リッチ混合タスクの補間周波数においても, VFILと比較して精度を27%向上した。

関連論文リスト

• Adaptive-Frequency Resonate-and-Fire Neurons for Spectral Estimation of Streaming Radar Signals [5.2855426312680995]
  適応型共振器・発火ニューロンに基づくニューロモルフィック・インスパイア信号処理法を提案する。 提案したモデルはサンプル・バイ・サンプル方式で動作し、その結果、追跡対象数に応じてスケールするメモリ要求が生じる。 シミュレーションおよび実験データによる結果から,本手法が複数の目標の追跡に有効であることが確認された。
  論文  参考訳（メタデータ） (2026-06-11T16:06:48Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators [20.77877474840923]
  高周波情報は機械学習における重要な課題である。 ディープニューラルネットワークは、低周波成分の学習に対するいわゆるスペクトルバイアスを示す。 放射結合スペクトル誤差に基づく新しい周波数感受性損失項を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:35:04Z)
• Tuning Frequency Bias of State Space Models [48.60241978021799]
  状態空間モデル(SSM)は、線形時間不変(LTI)システムを利用して、長距離依存のシーケンスを学習する。 その結果,SSMは低周波成分を高周波成分よりも効果的に捕捉する傾向を示した。
  論文  参考訳（メタデータ） (2024-10-02T21:04:22Z)
• Incremental Spatial and Spectral Learning of Neural Operators for Solving Large-Scale PDEs [86.35471039808023]
  Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。 iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。 提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
  論文  参考訳（メタデータ） (2022-11-28T09:57:15Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Robust Learning with Frequency Domain Regularization [1.370633147306388]
  モデルのフィルタの周波数スペクトルを制約し,新しい正規化手法を提案する。 本研究では,(1)対向的摂動を抑えること,(2)異なるアーキテクチャにおける一般化のギャップを小さくすること,(3)微調整を伴わない伝達学習シナリオにおける一般化能力を向上させることによる正規化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-07-07T07:29:20Z)

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。