Feb, 2020
动态环境的学习群结构和解缨表示
Learning Group Structure and Disentangled Representations of Dynamical Environments
Robin Quessard, Thomas D. Barrett, William R. Clements
TL;DR提出了一个建立在群表示理论基础上的框架,学习环境结构的表示,可确保得到解释性的学习表示,实验表明该方法能够准确地预测物理环境的演化并与表示的解释性呈相关性。
Abstract
Learning disentangled representations is a key step towards effectively
discovering and modelling the underlying structure of environments. In the
natural sciences, physics has found great success by describing the universe in
terms of →
disentangled representationsgroup representationdynamical environmentsymmetry preserving transformationsinterpretability
发现论文,激发创造
基于对称性的解缠表示学习需要与环境的交互
探寻在智能体在特定环境中的脱缰表示的一般公认的形式定义是对于构建数据有效的自主智能体的一个重要挑战。在群组理论基础上建立的基于对称性的脱缰表示学习是一种合理的定义,但其不能仅基于静态观测,而智能体应该与环境交互以发现其对称性。
Mar, 2019
构建基于群体的无监督表示解缠框架
本文提出了一个理论框架和一个基于现有 VAE 方法的模型,以实现无监督的分离表示,通过引入群论的概念,以第 n 二面角群为灵感,证明了模型、群结构和数据三个充分条件,在五个数据集上的实验证明,在群化后的 VAE 上相对于原始 VAE 的性能更好。
Feb, 2021
无监督学习中解开表征的常见假设的挑战
本文分析了无监督学习分离表示的最新进展并挑战了一些常见假设,通过实验研究发现,不加监督训练的模型很难达到良好的分离效果,同时,增加分离度似乎不会降低学习的样本复杂度,未来的研究应该关注归纳偏置和 (隐式) 监督的作用,考虑在多个数据集上复现实验结果。
Nov, 2018
在现实环境中传递解缠结表示
本文提出了一个新的高分辨率数据集,其中包括 1M 个模拟图像和 1800 个带注释的现实世界图像,以评估分解表示学习到未见过的模拟和实际环境中的泛化能力,研究表明分解表示学习是识别未知分布下任务性能的有效预测因素。
Oct, 2020
可交换李群变分自编码器用于分离学习
通过将数据变化编码为 Lie 群的结构,我们提出了一种利用变换等变地表示变化的不受限制的、自适应优化的组结构,实现了无监督的解缠结学习,并在不增加额外约束的情况下取得了最先进的性能。
Jun, 2021
通过解耦环境和代理的表示实现高效强化学习
提出了一种利用机器代理的视觉知识学习结构化表示的强化学习算法,并通过辅助损失函数将其融入强化学习目标,在包括 5 种不同机器人的 18 个具有挑战性的可视化仿真环境中,我们的方法比现有的无模型方法表现更好。
Sep, 2023