本文挑战传统的基于模型的路线,采用直接从外观预测稳定性及其相关量的端到端方法,并提出了一种基于模拟数据的学习方法,用于预测由木质块组成的塔在不同条件下的稳定性以及与塔的潜在倒塌有关的量。
Mar, 2016
本文研究了智能 Agent 在执行复杂任务时所需的物理直觉,提供了一个基于模拟的数据集,利用视觉分类器进行物理稳定性预测,并通过利用被动 / 主动的物理直觉构造稳定的物体堆栈,并观察主动叠加任务引起的物体本质和对象自然属性 - 叠堆特征的引出。
Apr, 2018
本研究探讨当下深度学习系统在处理物体分类、语言处理及游戏上表现出色,但却不能构建或修改建筑块等复杂系统,我们认为这是由于这些系统缺乏 “关系归纳偏置”,即一种可以推理物体间关系并根据场景结构作出决策的能力。本文研究了涉及胶合引起的稳定的建塔任务,通过引入一个使用物体及关系中心的视觉与策略表达方式的深度强化学习代理来验证该假设。结果表明,这些结构化的表达方式允许代理赢过人类及其他机器学习方法,这表明关系归纳偏置对于解决结构化推理问题及构建更智能、灵活的机器是重要组成部分。
Jun, 2018
本文探讨了无监督学习发现特征以提高预测模型泛化性能的潜力,并利用视频序列预测方块塔的稳定性,展示了模型训练得出的特征能够支持对超出训练集分布的方块配置进行稳定性预测。
Dec, 2016
本文介绍了一种名为 NeuronBlocks 的 NLP 深度神经网络工具包,提供了一个包括多个模块的模型构建方式,并通过简单的 JSON 配置文件实现模型的构建、训练和测试,并在 GLUE、WikiQA 和 CoNLL-2003 数据集上进行的实验证明了 NeuronBlocks 的有效性。
Apr, 2019
本文提出了一种可解释理解物理模型,其中瓶颈层的特定维度对应不同的物理属性,利用此模型我们对不同形状的碰撞进行了训练,并对不同类型的场景进行了推理,结果表明该模型能够很好地解释物理现象并进行泛化。
Aug, 2018
本研究以人类物理推理过程为模板,建立了一种神经网络架构,旨在通过表示学习的方式,使神经网络在实验数据的基础上为科学发现提供更具一般性的工具,并在玩具实例中应用该方法,得出相应结论。
Jul, 2018
本文介绍了一个新的数据集和一种神经网络结构,用于解决将自然语言指令映射到二维或三维块世界内的复杂空间操作问题。
Dec, 2017
本论文提出了一项基于视觉任务的评估基准,以测试人工系统对于宏观物体、运动、力等物理理解的程度,同时介绍了两个旨在以无监督的方式学习直观物理的深度神经网络系统,并通过与人类数据的比较,对下一帧预测建筑的潜力和限制进行了新颖的结果分析。
Mar, 2018
该研究探讨了使用神经网络进行机械现象端到端长期预测的有效性,结果表明这种方法可以在一些物理参数未知的情况下,优于其他方法,同时还可以输出结果的分布来捕获数据的不确定性,从而展示了用于不需要明确建模基本物理规律的传感器数据进行可行的长期预测的可能性。
Mar, 2017