論文の概要: TSD: A Physics-Inspired Trajectory Saliency Detector for Efficient Imitation Learning

• arxiv url: http://arxiv.org/abs/2606.23371v1
• Date: Mon, 22 Jun 2026 14:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 19:26:35.334877
• Title: TSD: A Physics-Inspired Trajectory Saliency Detector for Efficient Imitation Learning
• Title（参考訳）: TSD:効率的な模倣学習のための物理インスパイアされた軌道塩分検出装置
• Authors: Yiming Zhao, Gongrui Ma, Qingkai Li, Mingguo Zhao,
• Abstract要約: Trajectory Saliency Detector (TSD)は、トラジェクティブ・サリエンシを識別するためのトレーニングフリーでプラグアンドプレイのフレームワークである。 TSDは、細かな操作を捉えるための空間エントロピーと、アジャイルの操作を検出するための遠心加速度という、物理的に地平線を画した2つの指標を採用している。 シミュレーションと実世界の両方の設定における大規模な実験は、TLDに凝縮したデータセットでトレーニングされたモデルが平均25%の少ないデータで同等またはそれ以上のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 9.737683365003322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For imitation learning in robotic manipulation, high data collection costs result in the scarcity of high quality data. In this paper, we leverage the inherent heterogeneity of trajectories to address this challenge. Based on our observations of manipulation tasks, we categorize motions into transitional, precise, and agile types, defining the latter two as trajectory saliency due to their criticality to task success in contrast to the prevalent but less relevant transitional motions. Therefore, we propose the Trajectory Saliency Detector (TSD), a training-free and plug-and-play framework to identify trajectory saliency. TSD employs two physically-grounded metrics: spatial entropy to capture fine-grained manipulation and centripetal acceleration to detect agile maneuvering. We further leverage TSD to develop a dataset compression method that reduces training costs and a dataset expansion strategy that improves data collection efficiency. Extensive experiments in both simulation and real-world settings demonstrate that models trained on TSD-condensed datasets achieve comparable or even superior performance with 25% less data on average. These results validate the effectiveness of our dataset compression and expansion strategies, thereby confirming the utility of TSD. Consequently, TSD offers a scalable and cost-effective pathway to synthesize information-dense datasets for efficient robot learning. Project page: https://trajectory-saliency-detector.github.io/trajectory-saliency-detector/
• Abstract（参考訳）: ロボット操作における模倣学習において、高いデータ収集コストは、高品質なデータの不足をもたらす。 本稿では,この課題に対処するために,軌道の固有不均一性を利用する。 操作タスクの観察に基づいて、動作をトランジッショナルな、正確な、アジャイルなタイプに分類し、後者の2つを、一般的だが関連性の低いトランジッショナルな動作とは対照的に、タスクの成功に対する批判性から、トラジェクショナルなサリエンシ(trajectory saliency)と定義します。 そこで我々は,トラジェクトリ・サリエンシ・ディテクタ (TSD) を提案し,トラジェクトリ・サリエンシを識別するためのトレーニングフリーでプラグアンドプレイのフレームワークを提案する。 TSDは、細かな操作を捉えるための空間エントロピーと、アジャイルの操作を検出するための遠心加速度という、物理的に地平線を画した2つの指標を採用している。 さらにTSDを活用して、トレーニングコストを削減するデータセット圧縮手法と、データ収集効率を向上させるデータセット拡張戦略を開発する。 シミュレーションと実世界の両方の設定における大規模な実験は、TLDに凝縮したデータセットでトレーニングされたモデルが平均25%の少ないデータで同等またはそれ以上のパフォーマンスを達成することを示した。 これらの結果は,データセットの圧縮および拡張戦略の有効性を検証し,TLDの有用性を確認した。 このため、TSDは、効率的なロボット学習のために情報密度データセットを合成するためのスケーラブルで費用効率のよい経路を提供する。 プロジェクトページ: https://trajectory-saliency-detector.github.io/trajectory-saliency-detector/

関連論文リスト

• SC-GIR: Goal-oriented Semantic Communication via Invariant Representation Learning [59.45312293893698]
  目標指向セマンティックコミュニケーション(SC)は,タスクの意味情報のみを伝達することで,コミュニケーションシステムに革命をもたらすことを目的としている。 画像伝送のためのSC-GIR(Goal-oriented Invariant Representation-based SC)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-01T04:29:43Z)
• Latent Factorization of Tensors with Threshold Distance Weighted Loss for Traffic Data Estimation [4.079031335530995]
  リアルタイムトラフィックデータ収集プロセスでは、通信障害などの問題が不完全あるいは破損したデータセットにつながることが多い。 外れ値モデル (LFT) の潜在因子化は広く採用され, 有効解となっている。 本稿では,オフリヤモデル(TDFTWL)の閾値距離重み付け(TDW)損失感度依存性の潜在因子化を提案する。 提案したTDFTWLモデルは、精度と計算効率の両面で、最先端のアプローチを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-11T05:36:13Z)
• SUDS: A Strategy for Unsupervised Drift Sampling [0.5437605013181142]
  監視された機械学習は、データ分散が時間とともに変化するコンセプトドリフトに遭遇し、パフォーマンスが低下する。 本稿では,既存のドリフト検出アルゴリズムを用いて,同種サンプルを選択する新しい手法であるドリフトサンプリング戦略(SUDS)を提案する。 本研究は, 動的環境におけるラベル付きデータ利用の最適化におけるSUDSの有効性を示すものである。
  論文  参考訳（メタデータ） (2024-11-05T10:55:29Z)
• Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
  ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。 そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-06-28T11:06:46Z)
• Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
  我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。 JD2Pは2つの主要な技術からなる機能ごとのオフロードである。 MNISTデータセットを用いてJD2Pの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T08:12:47Z)
• ALF: Adaptive Label Finetuning for Scene Graph Generation [116.59868289196157]
  画像中の被写体と物体の関係を予測するためのシーングラフ生成の試み 関係の長期分布は、しばしば粗いラベルの偏りの予測につながり、SGGにおいて大きなハードルとなる。 我々はSGGに1段階のデータ転送パイプラインを導入し、ALF(Adaptive Label Finetuning)と呼ばれ、追加のトレーニングセッションを不要にする。 ALFは一般的なSGG法であるMotifに比べてmR@100が16%改善され、最先端のIETransに比べて計算コストは6%増加した。
  論文  参考訳（メタデータ） (2023-12-29T01:37:27Z)
• Enhancing IoT Security via Automatic Network Traffic Analysis: The Transition from Machine Learning to Deep Learning [0.0]
  この研究は、IoT(Internet of Things)内のタスクに対処する上で、ディープラーニング(DL)が機械学習(ML)を上回る方法を示す比較分析を提供する。 このアプローチでは,さまざまなIoT関連データセットを使用して,DLモデルをトレーニングし,評価する。 実験では、DLが手動で設計した機能に関連する制約を克服し、攻撃検出およびデバイスタイプの識別において同等の結果を維持する能力を示す。
  論文  参考訳（メタデータ） (2023-11-20T16:48:50Z)
• AST: Effective Dataset Distillation through Alignment with Smooth and High-Quality Expert Trajectories [18.266786462036553]
  我々は,Smoothと高品質なエキスパートトラジェクトリによるアライメントのための効果的なDDフレームワークASTを提案する。 さまざまなスケール、サイズ、解像度のデータセットに対して、広範な実験を行います。
  論文  参考訳（メタデータ） (2023-10-16T16:13:53Z)
• Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
  トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。 まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。 第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-15T09:18:54Z)
• Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening [51.34904967046097]
  Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。 高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T11:30:45Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)

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。