論文の概要: Behavior Graphs: Unsupervised Graph Structures for Interpreting Robot Deployment Data
- arxiv url: http://arxiv.org/abs/2611.00405v1
- Date: Fri, 30 Oct 2026 21:51:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.606952
- Title: Behavior Graphs: Unsupervised Graph Structures for Interpreting Robot Deployment Data
- Title（参考訳）: 行動グラフ:ロボット配置データの解釈のための教師なしグラフ構造
- Abstract要約: 本稿では、ポリシーのロールアウトを1つの解釈可能な有向グラフに圧縮する行動グラフを提案する。
我々は、ロールアウト全体にわたって類似した行動モードを識別し、その動作を時間的に接続し、最終的に結果にリンクすることでグラフを構築する。
デプロイされたロボットの数が増えるにつれて、行動グラフは高次元ポリシーのロールアウトに構造を与え、デプロイメントデータの解釈と推論を容易にする。
- 参考スコア（独自算出の注目度）: 30.962946459691906
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data flywheels promise continuous improvement via insights from deployment data. Understanding how the deployed model succeeds and fails can steer subsequent data collection towards patching failures and reinforcing successes. However, robot deployments create large volumes of high-dimensional rollout data, which is challenging to understand and confidently ground data collection decisions in. To make deployment data easier to analyze and act on, we propose behavior graphs, which compress policy rollouts into a single interpretable, directed graph. We construct the graphs by learning to identify similar behavior modes across rollouts, connecting the behaviors temporally, and finally linking them to outcomes. In a user study on three real-world tasks, where participants analyzed rollouts to choose a data collection strategy, 16 of 18 preferred behavior graphs to rollout videos, reaching comparable conclusions with 40.3% lower perceived temporal demand and 37.6% lower effort. Beyond interpretability for deployment data, behavior graphs are capable progress predictors: across 43 datasets, they improve the rank correlation between predicted progress and true temporal order by 22.9% and reduce mean absolute error by 53.5% relative to the strongest baseline. As the number of deployed robots grows, behavior graphs lend structure to high-dimensional policy rollouts and make deployment data easier to interpret and reason about.
- Abstract（参考訳）: データフライホイールは、デプロイメントデータからの洞察を通じて継続的改善を約束します。
デプロイされたモデルがどのように成功し、失敗するかを理解することで、その後のデータ収集を障害にパッチを当て、成功を補強できる。
しかし、ロボットの配置は大量の高次元のロールアウトデータを生成するため、データ収集の決定を理解し、自信を持って下すことは困難である。
デプロイデータを解析し、実行しやすくするために、ポリシーのロールアウトを1つの解釈可能な有向グラフに圧縮する行動グラフを提案する。
我々は、ロールアウト全体にわたって類似した行動モードを識別し、その動作を時間的に接続し、最終的に結果にリンクすることでグラフを構築する。
データ収集戦略を選択するために参加者がロールアウトを分析した3つの現実的タスクに関するユーザスタディでは、18の行動グラフのうち16がビデオのロールアウトを好んでおり、40.3%の時間的要求が減少し、37.6%の労力で同等の結論に達した。
43のデータセットを通して、予測された進行と真の時間順のランク相関を22.9%改善し、最強のベースラインに対して平均絶対誤差を53.5%削減する。
デプロイされたロボットの数が増えるにつれて、行動グラフは高次元ポリシーのロールアウトに構造を与え、デプロイメントデータの解釈と推論を容易にする。
関連論文リスト
- Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation [49.81655636414316]
実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全である。
本稿では,明示的な構造モデリングを回避した特徴中心グラフデータ拡張フレームワークを提案する。
当社のアプローチであるSelfAugは、インダクティブ設定とコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-10-01T21:38:58Z) - VeriGraph: Towards Verifiable Data-Analytic Agents [71.17693022916896]
LLMをベースとしたエージェントは、データ集約分析タスクにおいて強力な能力を示してきたが、その出力は滅多に検証されていない。
We propose VeriGraph, a traceable neuro-symbolic reasoning framework that agent can construct an explicit heterogeneous evidence directed acyclic graph。
以上の結果から,明示的なエビデンスグラフ構築がデータ分析エージェントの検証に期待できる道のりであることが示唆された。
論文 参考訳（メタデータ） (2026-06-15T11:50:56Z) - TraceGraph: Shared Decision Landscapes for Diagnosing and Improving Agent Trajectories [61.51984029109709]
グラフベースのフレームワークであるTraceGraphを紹介した。
各タスクに対して、TraceGraphは、モデルIDが導入される前に、プールされたロールアウトから観測可能なアクション・オブザーブレーション状態のグラフを構築する。
次に、結果インフォームされた生産的なコアとトラップリージョンをオーバーレイし、各ロールアウトを3つのイベント – アクセス、トラップ露出、修復 – で要約する。
論文 参考訳（メタデータ） (2026-05-29T13:40:31Z) - Gaussian Relational Graph Transformer [14.982543038240784]
GelGTは構造意味的協調サンプリング戦略を持つ関係グラフ変換器である。
さまざまな実世界のデータセットの実験は、GelGTが最先端のダウンストリームタスクのパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-05-15T03:36:28Z) - KERMIT: Knowledge Graph Completion of Enhanced Relation Modeling with Inverse Transformation [19.31783654838732]
大規模言語モデルを用いてコヒーレントな記述を生成し,クエリと回答のセマンティックなギャップを埋める。
また、逆関係を利用して対称グラフを作成し、KGCのための強化トレーニングサンプルを提供する。
提案手法は,WN18RRではHit@1が4.2%,FB15k-237ではHit@3が3.4%向上し,優れた性能を示した。
論文 参考訳（メタデータ） (2023-09-26T09:03:25Z) - Graph Learning Across Data Silos [10.448384704100684]
本稿では,スムーズなグラフ信号からグラフトポロジを推定する問題を考える。
データは分散クライアントにあり、プライバシー上の懸念などの要因により、ローカルクライアントを去ることは禁じられている。
本稿では,各ローカルクライアントに対してパーソナライズされたグラフと,全クライアントに対して単一のコンセンサスグラフを共同で学習する,自動重み付き多重グラフ学習モデルを提案する。
論文 参考訳（メタデータ） (2023-01-17T02:14:57Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z) - Investigating Pretrained Language Models for Graph-to-Text Generation [55.55151069694146]
Graph-to-text生成は、グラフベースのデータから流動的なテキストを生成することを目的としている。
本稿では,3つのグラフ領域,つまり表現,ウィキペディア知識グラフ(KG),科学的なKGについて検討する。
我々は, PLM の BART と T5 が新たな最先端の成果を達成し, タスク適応型事前学習戦略が性能をさらに向上することを示す。
論文 参考訳（メタデータ） (2020-07-16T16:05:34Z)
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。