ICCVJul, 2019

目标驱动的序列数据抽象

PDF
TL;DR采用一种基于强化学习实现的框架，实现了自动对序列数据进行目标驱动的数据抽象。该框架在不受数据输入顺序限制的同时，还可以定义不同的目标，以便以最好的方式保留输入数据的不同方面，能够在涉及手稿、视频和文本数据的情况下实现最佳抽象结果。
automatic data abstractionmachine intelligencesummarizationreinforcement learningsequential data
发现论文，激发创造
  • 强化学习中的抽象理论

    本文介绍了强化学习中抽象的理论，提供了符合需求的抽象函数的要求，并介绍了一组新算法和分析，旨在最大程度地减少有效强化学习的复杂性。

    Mar, 2022

  • 样本高效强化学习的动态抽象表示学习

    本文介绍了一种新的从上至下的方法，用于在执行强化学习的同时构建状态抽象，动态计算一个基于 Q 值分散的抽象，结果表明，这种方法自动学习细调问题的抽象，具有较强的样本效率，并使强化学习代理明显优于现有方法。

    Oct, 2022

  • FACT：学习整数序列背后的支配抽象

    本研究介绍了学习整数序列的一种新方法和一组基准测试任务，用于机器学习模型的概念理解和知识抽象能力的评估。通过 FACT 工具包中的大型整数序列数据集和性能评估工具以及基线模型实现的集合，为知识表示和推理领域的研究提供了便利。

    Sep, 2022

  • 深度强化学习的抽象化

    本文在深度强化学习的背景下对抽象问题进行了阐述，并探讨了 AI 和机器学习发展中的各种方法及其应用的难点。

    Feb, 2022

  • 对比时空抽象概括和比较代理动态

    本文提出了一种数据驱动、模型无关的技术，用于生成一个易于人理解的摘要，概括一个演变动力系统（如控制代理的学习过程）中的显著对比要点。该技术根据信息论差异度沿时间和空间维度对转换数据进行聚合，并以图形和文本通信方法为辅助，对连续状态空间下的深度强化学习代理的学习历史进行摘要。我们期望我们的方法能够补充现有的代理可解释性技术。

    Jan, 2022

  • 基于语言引导的状态抽象学习

    使用自然语言设计状态抽象来实现模仿学习的框架，该框架利用语言模型的背景知识和自然语言监督，自动构建针对未见任务的状态表示，并证明其提高了泛化性和稳健性，缩短了设计时间。

    Feb, 2024

  • 决策为中心学习的理想抽象

    提出了一种通过识别和利用决策的实用结构，在机器学习系统中制定简化抽象的方法，该方法自动配置输出空间以最小化决策相关信息的损失，该方法通过减少所需的数据实现了更好的决策质量。

    Mar, 2023

  • 数据收集对于训练通用目标达成策略的重要性

    本文提出了一个基于无监督探索方法的机器人学习模型 ChronoGEM，以能够均匀涵盖可能状态空间为目标。研究了数据量和数据质量对训练通用控制器的影响，并证明数据量和数据质量对于训练高精度达成目标的策略至关重要，以达到各种连续控制情况下的高保真姿势达成。

    Nov, 2022

  • 利用关系抽象进行推理的学习

    本文介绍了一种利用关系抽象概念来帮助大型语言模型在数学推理方面提高的新方法，并发现将这种序列用作提示可使模型具有更强的推理能力，特别是在需要执行多步任务的情况下。

    Oct, 2022

  • 对象目标导航可重用抽象模型的在线学习

    本文介绍一种新的方法来逐步学习未知环境的抽象模型，并展示了一个智能体如何重复使用学习到的模型来解决目标导航任务，这个抽象模型是一个有限状态机，通过图像分割和 Taskonomy 模型库的利用可以把 RGB-D 图像这样的高维感知数据抽象成环境的不同状态，而通过实施动作、观察所到达的状态并更新抽象模型来完成了它的学习。我们的研究结果表明，利用所学的抽象模型可以提高目标导航的性能。

    Mar, 2022