Oct, 2023

通过显著特征去相关化学习通用代理

PDF
TL;DR我们提出了基于显著性引导的特征解相关方法 (SGFD)，通过样本重新加权消除观测状态空间中特征之间的相关性，以实现在视觉强化学习任务中的泛化能力。实验结果表明，SGFD 在处理任务无关和任务相关的变化方面明显优于现有方法。
visual-based reinforcement learninggeneralizationcorrelationssaliency-guided features decorrelationsample reweighting
发现论文，激发创造
  • 解释您的行动：使用特定且相关的特征归因理解代理动作

    本研究提出了 SARFA，一种基于深度增强学习的视觉化方法，生成更加专业和相关的显著图，相比现有方法更容易解释。在棋盘游戏（如国际象棋和围棋）和 Atari 游戏（如打砖块、乒乓球和太空侵略者）的比较中，SARFA 产生的显著图比现有方法更容易解释。

    Dec, 2019

  • 基于显著性引导训练的深度学习解释性改进

    本文介绍了一种基于显著性引导培训的神经网络方法，可以有效降低噪声导致的特征归因不准确，并通过实验表明这种方法能够在保持预测性能的同时提高模型可解释性。

    Nov, 2021

  • 基于显著性引导的 Q - 网络在视觉强化学习中的泛化

    本研究通过引入基于显著性的 Q 网络（SGQN），提出了一种通用的视觉强化学习方法，该方法对 Deepmind 的控制泛化基准进行了改进，从而在训练效率、泛化差距和策略可解释性等方面创造了新纪录。

    Sep, 2022

  • 使用后继特征和泛化策略改进的深度强化学习转移

    本文通过扩展 successor features (SFs) 和 generalised policy improvement (GPI) 框架的基本假设，实现从一组任务到另一组任务的优雅而健壮的技能迁移方法，并在一个复杂的三维环境下进行了实证验证。

    Jan, 2019

  • 基于后继特征标志的长视程目标导向强化学习

    本文介绍 Successor Feature Landmarks（SFL），它是用于大型、高维空间的探索的一个框架，该框架利用继承特征（SF）的能力来驱动探索，估计状态新颖性，并通过将状态空间抽象为基于非参数地标的图表，启用高级别规划，实现了 GCRL 任务上的超越表现。

    Nov, 2021

  • 通过单个预训练的加强代理指导的仿制品特征选择

    我们引入一种创新的特征选择框架，通过强化学习，以模拟特征和经优化的 “knockoff” 特征指导特征选择过程，从而识别出最优和有效的特征子集。

    Mar, 2024

  • 强化学习中无监督表示学习特征分离的重要性

    我们提出了一种新的 URL 框架，通过在潜空间中解相关特征，在因果预测未来状态的同时增加潜空间的维数，从而有效地学习预测表示，解决了表示坍塌的问题，大大提高了基准测试的样本效率。

    Jun, 2023

  • 基于特征引导梯度反向传播的可解释人脸验证

    该研究探索人脸图像与其深度表示之间的空间关系，并提出了一种新的解释方法 FGGB，通过梯度反向传播生成准确且深入的相似性和差异性显著性地图，用以解释人脸识别系统的 “接受” 和 “拒绝” 决策。视觉展示和定量测量表明，FGGB 在相似性和差异性显著性地图方面的性能优于当前最先进的可解释人脸验证方法。

    Mar, 2024

  • 在伪相关存在的情况下的特征学习

    通过评估使用权重调整、强正则化和组鲁棒性训练等方法训练的模型，重训练模型的方法在多个视觉和 NLP 问题中表现出与其他方法相似的结果，表明无需过度正则化即可学习高质量的特征表示。

    Oct, 2022

  • 基于特征的自适应数据增强用于图形对比学习

    通过应用特征基于自适应数据扩充（FebAA）方法，可以提高自监督学习模型中的准确性，这基于图形对比学习和深层图形对比学习，通过维护数据关键特征和误差特征，可以有效消除数据外推问题。

    Jul, 2022