Sep, 2018

面向部分观测的基于模型的控制传播网络

PDF
TL;DR本文介绍了 PropNet—— 一种可学习的动力学模型，能够在部分可观测场景下进行模型控制，并实现信号的即时传播。实验结果表明，与其他学习物理引擎相比，PropNet 的前向模拟性能更好，在各种控制任务中也表现出更高的性能。与现有的模型无深度强化学习算法相比，使用 Propagation Networks 实现模型控制更准确、有效，且更具普适性。
learnable simulatorpropagation networkspartially observable scenariosmodel-based controldeep reinforcement learning
发现论文，激发创造
  • 可学习的物理引擎图网络用于推理和控制

    介绍了一种基于图网络的学习模型，实现了对象和关系为中心的表示的归纳偏差，从而能够更准确地预测复杂动态系统的行为，并支持在线与离线规划。

    Jun, 2018

  • 价值传播网络

    本文介绍了 Value Propagation（VProp），它是一组基于可微分的价值迭代的参数高效的规划模块，通过强化学习可以成功地解决未知任务，具有在更大的地图尺寸上泛化的能力，并且可以学习在动态环境下导航。使用这些模块能够提供一种成本效益高低级别、尺寸无关的规划器，适用于各种交互式导航问题。我们在 MazeBase 网格世界的静态和动态配置上进行了评估，这些世界具有不同尺寸的随机生成的环境，并且在一个更具复杂动态性，以图像像素作为输入的 StarCraft 导航情景上进行了评估。

    May, 2018

  • 局部传播网络学习

    本文提出了一个基于局部传播和局部目标的网络参数学习方法，在任何可表示为图形形式的网络中具有统一的学习原则，可以理解和解释局部和全局学习动态，并在学习时间和网络规模上具有先进方法的优势，同时具有可等同的识别准确度

    May, 2018

  • 使用图神经网络学习复杂系统的动力学和结构

    本研究训练了图神经网络以适应来自非线性动力系统的时间序列，发现了学习表示和模型组件的简单解释，并成功地确定了 ' 图翻译器 '，使两种新类型广义：仅基于时间序列观测来恢复新系统实例的潜在结构，或者直接从该结构构造新网络。结果表明，理解复杂系统的动态和结构及其如何用于泛化的途径。

    Feb, 2022

  • 视频传播网络

    该研究提出了使用视频传播网络进行语义分割的方法，该方法使用时不需要访问未来帧，并且与基于任务的最佳方法相比具有更高的性能。

    Dec, 2016

  • 通过数据自适应随机过程从稀缺观察中学习连续网络的新兴动态

    通过稀疏观测数据，我们引入了一种新的随机过程，称为神经常微分方程过程，用于学习连续网络动态，在各种领域中的网络动态具有优秀的数据适应性和计算效率，并可以适应新的网络动态，仅需要约 6% 的观测数据比例，并且显著提高了对新动态的学习速度。

    Oct, 2023

  • 耦合动力系统中的相互作用网络的机器学习

    利用自监督神经网络模型从观察到的轨迹数据中恢复相互作用网络并预测个体动力学的研究，应用于耦合粒子和耦合振荡器（Kuramoto）的两个动力系统。

    Oct, 2023

  • 基于标签传播的物理信息神经网络与高斯过程训练方案

    该论文提出了一种半监督方法来训练基于物理信息的机器学习方法，包括自我训练的基于物理信息的神经网络和基于物理信息的高斯过程，并通过协同训练将两者整合起来。我们通过大量的数值实验展示了这些方法如何改善了物理信息机器学习中常见的时间向前传播信息的失败模式。

    Apr, 2024

  • 图神经网络中消息传递的学习

    该研究论文研究了学习图神经网络（GNNs）的信息传播策略的问题。为了克服图神经网络面临的传播策略定义问题，研究人员提出了一种学习传播框架，可以明确学习不同节点和各种类型图的易于理解和个性化的传播策略。通过对多种图基准进行广泛实验，结果表明该方法相较于其他最先进的方法具有显著的提高和在 GNNs 中能够有效地学习个性化和易于理解的传播策略。

    Oct, 2023

  • 动态网络的生成模型与应用

    本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。

    Feb, 2018