論文の概要: Learning Options for Compositional Motor Control with Adapter Banks

• arxiv url: http://arxiv.org/abs/2609.17042v1
• Date: Tue, 15 Sep 2026 11:49:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.481317
• Title: Learning Options for Compositional Motor Control with Adapter Banks
• Title（参考訳）: アダプタバンクを用いた構成モータ制御のための学習オプション
• Abstract要約: 最近の神経科学理論では、モータープリミティブは共有リカレントネットワークの低ランク摂動として実装される可能性がある。 我々はこの理論を、エンドツーエンドのモータースキルを学ぶための新しいアーキテクチャに翻訳する。 閉ループ制御設定において,新しいモータ列に一般化できることを実証する。
• 参考スコア（独自算出の注目度）: 1.554831836850549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning flexible motor primitives is a hallmark of skilled motor control. Recent neuroscience theory proposes that motor primitives may be implemented as low-rank perturbations of a shared recurrent network, but leaves open how such a system is learned. We translate this principle into a novel architecture for learning motor skills end-to-end: a shared recurrent core modulated by a bank of residual adapters, each selected by a discrete latent code. Trained on closed-loop biomechanical control, the adapters develop emergent low-rank perturbations of the recurrent dynamics despite no architectural rank constraint, placing task representations in disparate subspaces of the shared core network. A simple high-level policy over the learned options, optimized while the whole network is frozen, sequences the low-rank adapters to produce novel out-of-distribution movements. We demonstrate the ability to generalize to novel motor sequences within the closed-loop control setting, improving on the generalization error of a task-input-conditioned multitask baseline by upto order of magnitude.
• Abstract（参考訳）: 柔軟なモータープリミティブを学ぶことは、熟練したモーターコントロールの目印だ。 最近の神経科学理論では、モータープリミティブは共有リカレントネットワークの低ランク摂動として実装される可能性があるが、そのようなシステムがどのように学習されるかは明らかにされていない。 我々は、この原理を、モータスキルをエンドツーエンドに学習するための新しいアーキテクチャ、すなわち、残差アダプタのバンクによって変調された共有リカレントコアに変換し、それぞれが離散潜在符号によって選択される。 クローズドループのバイオメカニカルコントロールに基づいて、アダプタはアーキテクチャ上の制約がないにもかかわらず、リカレントダイナミクスの創発的な低ランク摂動を発生させ、タスク表現を共有コアネットワークの異なる部分空間に配置する。 学習したオプションに対する単純な高レベルなポリシーは、ネットワーク全体が凍結している間に最適化され、低ランクのアダプタをシーケンスして、新しいアウト・オブ・ディストリビューション運動を生成する。 本稿では,タスク入力条件付きマルチタスクベースラインの一般化誤差を桁違いに改善し,クローズドループ制御設定内で新しいモータ列に一般化できることを実証する。

関連論文リスト

• NeuMoSync: End-to-End Neuromodulatory Control for Plasticity and Adaptability in Continual Learning [2.850721641556094]
  連続学習(CL)は、タスクを逐次学習するモデルを必要とするが、深層ニューラルネットワークはしばしば可塑性損失と知識伝達不良に悩まされる。 我々はニューロ変調とシンクロナイゼーション(NeuMoSync)を導入する。これは、動的、ニューロン特異的な変調をディープニューラルネットワークに統合する新しいアーキテクチャである。 NeuMoSyncは、ネットワーク全体の履歴コンテキストを追跡するニューロン毎に学習可能な特徴ベクトルを使用して、標準的なニューラルネットワークアーキテクチャを拡張している。
  論文  参考訳（メタデータ） (2026-08-05T02:01:09Z)
• Switchable Activation Networks [25.854474675239842]
  SWAN(Switchable Activation Networks)は、各神経ユニットに決定論的、入力依存のバイナリゲートを装備するフレームワークである。 この動的制御機構は計算を適応的に割り当て、精度を維持しながら冗長性を低減させる。 SWANは、学習活性化制御の課題として効率性を再定義することにより、スパーシティ、プルーニング、適応推論の強みを統一する。
  論文  参考訳（メタデータ） (2026-02-17T08:14:10Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• GASPnet: Global Agreement to Synchronize Phases [13.611995923070426]
  トランスフォーマーアーキテクチャは、キーとクエリ間の合意に基づいて、ネットワーク内の情報の選択とルーティングを行う。 本稿では、トランスフォーマーの注意操作の側面と魅力的な神経科学理論、すなわち同期による結合を結合する新しいメカニズムを提案する。 その結果,CNNネットワークよりも精度が向上し,ノイズに対する堅牢性が向上し,一般化能力も向上した。
  論文  参考訳（メタデータ） (2025-07-22T15:10:33Z)
• Block-Operations: Using Modular Routing to Improve Compositional Generalization [17.525220958618988]
  フィードフォワードニューラルネットワーク(FNN)を強化した新しいアーキテクチャコンポーネントであるMultiplexerを紹介する。 我々は,Multiplexersが強い構成一般化を示すことを実験的に確認した。
  論文  参考訳（メタデータ） (2024-08-01T12:28:22Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Decentralized Motor Skill Learning for Complex Robotic Systems [5.669790037378093]
  本稿では,分散モータスキル(DEMOS)学習アルゴリズムを提案する。 本手法は, 性能を犠牲にすることなく, 政策の堅牢性と一般化を向上する。 四足歩行ロボットとヒューマノイドロボットの実験は、学習方針が局所的な運動障害に対して堅牢であり、新しいタスクに移行できることを示した。
  論文  参考訳（メタデータ） (2023-06-30T05:55:34Z)
• Transformers Solve the Limited Receptive Field for Monocular Depth Prediction [82.90445525977904]
  畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。 連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
  論文  参考訳（メタデータ） (2021-03-22T18:00:13Z)
• Multi-Agent Routing Value Iteration Network [88.38796921838203]
  疎結合グラフの学習値に基づいてマルチエージェントルーティングを行うことができるグラフニューラルネットワークに基づくモデルを提案する。 最大25ノードのグラフ上で2つのエージェントでトレーニングしたモデルでは,より多くのエージェントやノードを持つ状況に容易に一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-07-09T22:16:45Z)
• Autonomous learning and chaining of motor primitives using the Free Energy Principle [68.8204255655161]
  運動プリミティブ学習の課題に対して,自由エネルギー原理を適用した。 エコー状態ネットワークは、運動軌道を生成するために使用される。 このネットワークには知覚モジュールと,そのダイナミクスに影響を与えるコントローラが組み合わさっている。
  論文  参考訳（メタデータ） (2020-05-11T14:43:55Z)
• Self-Organized Operational Neural Networks with Generative Neurons [87.32169414230822]
  ONNは、任意の非線型作用素をカプセル化できる一般化されたニューロンモデルを持つ異種ネットワークである。 我々は,各接続の結節演算子を適応(最適化)できる生成ニューロンを有する自己組織型ONN(Self-ONNs)を提案する。
  論文  参考訳（メタデータ） (2020-04-24T14:37:56Z)

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。