Feb, 2020

动态环境的学习群结构和解缨表示

PDF
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。
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

  • 朝着解缠表示的定义

    本文提出了关于分解表示学习的一个定义，并利用群和表示论的形式，将对称变换与向量表示相连，为分解表示学习提供了一个更好的理论基础，在学习表示时启发了更好的算法设计。

    Dec, 2018

  • 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

  • 线性解缠表示和无监督动作估计

    通过改变损失函数的设置，可以在 VAE 模型中诱导线性分离表示，这是一种理想的表示形式，符合经典分离指标，并提出了一种方法诱导不可约表示。

    Aug, 2020

  • 使用形状不变李群变换器从一系列图像中区分模式和变换

    采用基于李群变换器的代数方法实现场景的表征学习，能够自动发现场景中的独立对象和多种形状不变变换方式，从而实现场景简化。

    Mar, 2022

  • 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

  • 学习自然语言定义的解耦表示

    使用可表征语法和语义规律的定义句类别训练变分自编码器，并在多个测试中展现其成功解耦表示效果，以及在定义建模中得到的改善。

    Sep, 2022

  • 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