論文の概要: Groupoid-Based Internal State Representations for Reinforcement Learning with Local Symmetries
- arxiv url: http://arxiv.org/abs/2609.13035v1
- Date: Fri, 11 Sep 2026 16:32:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.80865
- Title: Groupoid-Based Internal State Representations for Reinforcement Learning with Local Symmetries
- Title（参考訳）: 局所対称性を用いた強化学習のためのグループ型内部状態表現
- Abstract要約: 本稿では,局所的かつ状態依存的な対称性を捕捉し,同値構造のダイナミック発見を支援するために,グルーコイドを用いた強化学習フレームワークを提案する。
実験により,提案手法は高密度および大規模環境における試料効率と収束性を向上し,強い部分対称性を示すことを示す。
- 参考スコア（独自算出の注目度）: 1.1470070927586018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Symmetries play a central role in reducing the complexity of reinforcement learning problems, yet most existing approaches rely on fixed group actions or predefined state abstractions. Classical reinforcement learning algorithms typically assume a globally structured Markov decision process with uniformly applicable actions and transitions, an assumption that limits their ability to exploit modularity and local, context-dependent regularities present in many realistic environments. We propose a reinforcement learning framework using groupoids to capture local, state-dependent symmetries and support the dy- namic discovery of equivalence structures during interaction. The agent maintains orbit representatives together with transporters that map raw states to canonical forms, enabling learning and decision-making to be performed in a symmetry-reduced space while preserving local distinctions. Empirical results demonstrate that the proposed groupoid-based approach improves sample efficiency and convergence in dense and large-scale environments exhibiting strong partial symmetries, yielding substantial performance gains over standard Q-learning. These findings show that dynamically exploiting local symmetry provides a practical and mathematically principled route to scalable and generalisable reinforcement learning.
- Abstract（参考訳）: 対称性は強化学習問題の複雑さを軽減する上で中心的な役割を果たすが、既存のほとんどのアプローチは固定グループアクションや事前定義された状態抽象化に依存している。
古典的強化学習アルゴリズムは一般的に、一様に適用可能なアクションと遷移を持つグローバルに構造化されたマルコフ決定過程を仮定する。
本稿では, 局所的, 状態に依存した対称性を捕捉し, 相互作用中の等価構造のダイナミック発見を支援するために, グルーコイドを用いた強化学習フレームワークを提案する。
このエージェントは、原状態を標準形にマッピングするトランスポーターと共に軌道代表者を維持し、局所的な区別を保ちながら、対称性が還元された空間での学習と意思決定を可能にする。
実験結果から,提案手法は高密度・大規模環境におけるサンプル効率と収束性を向上し,Q-ラーニングよりも高い性能が得られることが示された。
これらの結果は,局所対称性を動的に活用することで,スケーラブルで一般化可能な強化学習への実践的かつ数学的に原理化された経路が提供されることを示している。
関連論文リスト
- Structured Representation Learning with Locally Linear Embeddings and Adaptive Feature Fusion [12.63651664394193]
本稿では,動的特徴と報酬特化特徴の絡み合いを促進する新しい強化学習フレームワークを提案する。
本手法は従来のRL手法と比較して学習効率と全体的な性能を向上させる。
論文 参考訳（メタデータ） (2026-06-16T20:28:39Z) - Equivariant Latent Alignment via Flow Matching under Group Symmetries [18.655367238679496]
同変表現学習は、解析的に知られた群変換が直接作用する潜在空間を構築するための強力なフレームワークとして登場した。
既存のアプローチは、意図された群アクションと実際に必要となるラテント空間の変換との相違である潜在的不整合にしばしば悩まされる。
フローベースのフレームワークであるResidual Latent Flowを提案する。
論文 参考訳（メタデータ） (2026-05-29T00:57:13Z) - Anisotropic Modality Align [91.23979617826926]
マルチモーダルな大規模言語モデルの訓練は、高品質なペア型マルチモーダルデータの不足により、長い間制限されてきた。
近年の研究では、事前訓練されたマルチモーダルコントラストモデルの共有表現空間がブリッジとして機能し、非モーダルデータを用いたマルチモーダルトレーニングを可能にすることが示されている。
中心となる障害は、共有空間の永続的なモダリティギャップにある。
論文 参考訳（メタデータ） (2026-05-08T14:53:24Z) - Anticipatory Reinforcement Learning: From Generative Path-Laws to Distributional Value Functions [0.0]
本稿では,非マルコフ決定プロセスと古典的強化学習アーキテクチャのギャップを埋める新しいフレームワークである予測強化学習(ARL)を紹介する。
ジャンプ拡散と構造破壊によって特徴づけられる環境では、伝統的な状態に基づく手法は、正確なフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアフォアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホアホ
論文 参考訳（メタデータ） (2026-04-06T13:15:44Z) - Learning in Markov Decision Processes with Exogenous Dynamics [39.6376520918509]
エージェントの動作に依存しない状態成分を特徴とするMDPの構造クラスについて検討する。
この構造を利用すると、学習の保証が大幅に向上することを示す。
私たちは、古典的なおもちゃの設定や現実世界に触発された環境にまたがって、私たちのアプローチを実証的に検証します。
論文 参考訳（メタデータ） (2026-03-03T11:10:45Z) - Invariance on Manifolds: Understanding Robust Visual Representations for Place Recognition [19.200074425090595]
本稿では,2次幾何統計フレームワークを提案する。
提案手法では、固定されたトレーニング済みのバックボーン上に構築されたトレーニング不要のフレームワークを導入し、パラメータ更新なしで強力なゼロショット一般化を実現する。
論文 参考訳（メタデータ） (2026-01-31T18:12:29Z) - CTRLS: Chain-of-Thought Reasoning via Latent State-Transition [57.51370433303236]
チェーン・オブ・シント(CoT)推論は、大規模な言語モデルで複雑な問題を解釈可能な中間ステップに分解することを可能にする。
我々は,遅延状態遷移を伴うマルコフ決定プロセス(MDP)としてCoT推論を定式化するフレームワークであるgroundingSを紹介する。
我々は、ベンチマーク推論タスクにおける推論精度、多様性、探索効率の改善を示す。
論文 参考訳（メタデータ） (2025-07-10T21:32:18Z) - Regularized Neural Ensemblers [55.15643209328513]
本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。
低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。
このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
論文 参考訳（メタデータ） (2024-10-06T15:25:39Z) - Distributionally Robust Model-based Reinforcement Learning with Large
State Spaces [55.14361269378122]
強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。
広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。
本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
論文 参考訳（メタデータ） (2023-09-05T13:42:11Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Localisation in quasiperiodic chains: a theory based on convergence of
local propagators [68.8204255655161]
局所プロパゲータの収束に基づく準周期鎖に最も近いホッピングを持つ局所化の理論を提示する。
これらの連続分数の収束、局所化、あるいはその欠如を分析することは可能であり、それによって臨界点とモビリティエッジが帰結する。
結果は、振る舞いの範囲をカバーする3つの準周期モデルの理論を分析することで実証される。
論文 参考訳（メタデータ） (2021-02-18T16:19:52Z)
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。