Fugu-MT 論文翻訳(概要): Showing versus Doing: Teaching by Demonstration

論文の概要: Showing versus Doing: Teaching by Demonstration

arxiv url: http://arxiv.org/abs/2610.14004v1
Date: Sun, 27 Sep 2026 17:58:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-18 21:02:54.46013
Title: Showing versus Doing: Teaching by Demonstration
Title（参考訳）: ショー対ドーイング:デモによる指導
Abstract要約: 実演による授業のためのベイズモデルを開発する。ヒトの参加者は、モデルと整合した授業行動を変化させる。標準のIRLアルゴリズムでさえ、表示と実行の学習の恩恵を受ける。
参考スコア（独自算出の注目度）: 7.117734227065508
License: http://creativecommons.org/licenses/by/4.0/
Abstract: People often learn from others' demonstrations, and inverse reinforcement learning (IRL) techniques have realized this capacity in machines. In contrast, teaching by demonstration has been less well studied computationally. Here, we develop a Bayesian model for teaching by demonstration. Stark differences arise when demonstrators are intentionally teaching (i.e. showing) a task versus simply performing (i.e. doing) a task. In two experiments, we show that human participants modify their teaching behavior consistent with the predictions of our model. Further, we show that even standard IRL algorithms benefit when learning from showing versus doing.
Abstract（参考訳）: 人々はしばしば他人のデモンストレーションから学び、逆強化学習(IRL)技術は機械でこの能力を実現している。対照的に、実演による教育は計算学的にはあまり研究されていない。ここでは、実演による授業のためのベイズモデルを開発する。スタークの違いは、デモ参加者が故意にタスクを教えること(すなわち、タスクを実行すること)と、単にタスクを実行すること(すなわち、行うこと)とで生じる。 2つの実験において、人間の参加者はモデルの予測と一致した学習行動を変化させることを示した。さらに、標準のIRLアルゴリズムでさえ、表示と実行の学習の恩恵を受けることを示す。

関連論文リスト

Out-of-Dynamics Imitation Learning from Multimodal Demonstrations [68.46458026983409]
本研究では,実演者と模倣者が同じ状態空間を持つという仮定を緩和する,動的外模擬学習(OOD-IL)について検討する。 OOD-ILは、様々なデモ参加者のデモを利用するための模倣学習を可能にするが、新しい挑戦を導入する。我々は,この新たな課題に取り組むために,より優れた伝達可能性測定法を開発した。
論文参考訳（メタデータ） (2022-11-13T07:45:06Z)
Robustness of Demonstration-based Learning Under Limited Data Scenario [54.912936555876826]
実証に基づく学習は、限られたデータシナリオ下で事前訓練された言語モデルの能力を刺激する大きな可能性を示している。実演と予測の間に明確な整合性がないため、なぜこのような実演が学習プロセスに有益なのかは不明だ。本稿では,実証に基づくシーケンスラベリングの頑健さを深く掘り下げるために,標準情報から直感的に有用な情報を徐々に取り除き,病理デモを設計する。
論文参考訳（メタデータ） (2022-10-19T16:15:04Z)
Extraneousness-Aware Imitation Learning [25.60384350984274]
Extraneousness-Aware Learning (EIL)は、外部サブシーケンスを用いた第三者によるデモンストレーションから、ビズモタポリシーを学ぶ。 EILは、自己監督された方法で行動条件付き観察埋め込みを学習し、視覚的なデモンストレーション全体にわたってタスク関連観測を検索する。実験の結果、EILは強いベースラインを上回り、完璧なデモで訓練した人たちと同等のポリシーを達成していることがわかった。
論文参考訳（メタデータ） (2022-10-04T04:42:26Z)
Pragmatically Learning from Pedagogical Demonstrations in Multi-Goal Environments [8.715518445626826]
我々は、実証(BGI)からのゴール推論のベイズモデルを活用することにより、教育とプラグマティズムのメカニズムを実装した。本研究では,BGIエージェント(教育教師と実践的学習者)を組み合わせることで,実演からの標準学習よりも学習の迅速化と目標のあいまいさを低減できることを示す。
論文参考訳（メタデータ） (2022-06-09T14:51:25Z)
Pedagogical Demonstrations and Pragmatic Learning in Artificial Tutor-Learner Interactions [8.715518445626826]
本稿では,複数の目標を持つ環境において,両方の参加者が人工エージェントであるチューター・ラーナー・セットアップにおけるそのようなメカニズムの実装について検討する。教師からの教育と学習者からの実践主義を用いて,実演による標準学習よりも大幅に向上したことを示す。
論文参考訳（メタデータ） (2022-02-28T21:57:50Z)
Rethinking the Role of Demonstrations: What Makes In-Context Learning Work? [112.72413411257662]
大規模言語モデル(LM)は、いくつかのインプットラベルペア(デモ)を条件付けして、新しいインプットの予測を行うことで、インコンテキストで学習することができる。実演のラベルをランダムに置き換えることは、パフォーマンスをほとんど損なうものではない。デモの他の側面が、エンドタスクのパフォーマンスの主要な要因であることに気付きました。
論文参考訳（メタデータ） (2022-02-25T17:25:19Z)
Imitation Learning by Estimating Expertise of Demonstrators [92.20185160311036]
実証的知識よりも教師なし学習が模倣学習アルゴリズムの性能を一貫した向上に繋がることを示す。デモ参加者の学習した方針や専門知識に基づいて,共同モデルを開発・最適化する。本研究は,ミニグリッドやチェスなど,ロブミミックや離散環境からの実ロボット的連続制御タスクについて述べる。
論文参考訳（メタデータ） (2022-02-02T21:23:19Z)
Playful Interactions for Representation Learning [82.59215739257104]
本稿では,下流タスクの視覚的表現を学習するために,遊び心のあるインタラクションを自己指導的に利用することを提案する。 19の多様な環境で2時間の遊び心のあるデータを収集し、自己予測学習を用いて視覚的表現を抽出する。我々の表現は、標準的な行動クローニングよりも一般化され、必要なデモの半数しか必要とせず、同様の性能を達成できる。
論文参考訳（メタデータ） (2021-07-19T17:54:48Z)
State-Only Imitation Learning for Dexterous Manipulation [63.03621861920732]
本稿では,国家のみの模倣学習について考察する。我々は、逆ダイナミクスモデルをトレーニングし、状態のみのデモンストレーションのアクションを予測するためにそれを使用します。我々の手法は状態-作用アプローチと同等に動作し、RL単独よりもかなり優れています。
論文参考訳（メタデータ） (2020-04-07T17:57:20Z)

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。