العودة إلى البحث

تمثيلات عالية المستوى من خلال التعلم الحسي غير المقيد

العنوان	تمثيلات عالية المستوى من خلال التعلم الحسي غير المقيد
المؤلف	أوزتوركجو، أوزجور باران
تاريخ النشر:	2022-06-21T08:52:08Z
النوع	وثيقة
اللغة	الإنجليزية
رقمي	نعم
مخطوط	لا
المكتبة:	جامعة اوزيجين
رقم السجل	7939ec48-1e50-4636-b4ca-6063f6773d5c
موقع المكتبة	قسم علوم الحاسوب
التاريخ	2022-06-21T08:52:08Z
نص عينة	الكائنات الحية، وخاصة الثدييات، ماهرة في تعلم المهام المعقدة التي قد تتطلب التخطيط الأساسي مثل استخدام الأدوات والتلاعب بها. وتتجلى هذه القدرة في الجهاز العصبي المركزي؛ على وجه الخصوص، من خلال الدماغ، الذي تطور من دوائر عصبية تقوم بمعالجة الإشارات ذات المستوى المنخفض للعمل والإدراك. يمكن للأنظمة الاصطناعية أن تتعلم كيفية إجراء معالجة إشارات منخفضة المستوى للمهام التي تتطلب إدراكًا وعملًا أساسيًا. إحدى آليات التعلم الخاصة بذلك هي التعلم المعزز (RL)، حيث يتم استخدام الخبرة الحسية الحركية للعامل التي تتضمن سلسلة من قرارات العمل و"المكافآت" التي يتم إرجاعها من البيئة لبناء "سياسة" لمهمة معينة. يمكن تسهيل قدرات تنفيذ المهام المعقدة لدى الحيوانات ذات المستوى الأعلى من خلال التجريدات المتكونة بناءً على دورة الحياة الحسية الحركية للدوائر العصبية ذات المستوى الأدنى أثناء التعلم. وعلى نفس المنوال، يمكن استخدام تجربة التعلم لوكيل RL لتشكيل هياكل تشبه الرمز لتمكين تنفيذ مهام أكثر تعقيدًا، على سبيل المثال التخطيط الواضح في الفضاء الرمزي. يمكن الكشف عن ظهور مثل هذه الهياكل عالية المستوى وعلاقتها بالبيئة وديناميكيات الوكيل من خلال تحليل المخرجات العصبية أثناء التعلم والانتشار الفعلي في بيئات مختلفة. في الأدبيات، هناك مجموعة من الدراسات التي تبدأ بافتراض وجود هياكل رمزية "ترتكز" عليها على إشارات حسية حركية مستمرة يختبرها العامل. بالإضافة إلى ذلك، تهدف العديد من الأعمال إلى تسهيل ظهور تمثيلات تشبه الرموز باستخدام بنيات التعلم الآلي المصممة خصيصًا. في هذه الأطروحة، نتبع نهجًا مختلفًا ونتحقق مما إذا كان نظام التعلم المعزز العميق الذي يتعلم مهمة ديناميكية من شأنه أن يسهل تكوين تمثيلات عصبية عالية المستوى يمكن اعتبارها سلائف للتمثيلات الرمزية. في تجاربنا، نستخدم روبوتًا محاكيًا مهمته الوحيدة هي تعلم سياسة الوقوف في ظل اضطرابات القوة المعتمدة على السرعة. يتم تمثيل السياسة وتعلمها من خلال شبكة عصبية تتكون من محاكاة الخلايا العصبية التي يتم تسجيل استجاباتها أثناء التعلم، وبعد ذلك، عند اختبار السياسة في بيئات مختلفة. يتم بعد ذلك تحليل البيانات المسجلة للكشف عن تكوين تمثيلات مجردة عالية المستوى وعلاقاتها بديناميكيات المهمة. تشير النتائج إلى أنه بدون تصميم واضح لتعزيز التمثيلات المجردة، تظهر استجابات عصبية مثيرة للاهتمام من خلال التعلم، والتي قد تكون بمثابة أساس للتمثيلات المجردة الشبيهة بالرمز. ومع ذلك، فإن مراكز أنظمة التحكم لدينا، يمكن أن تساعدك على التحسين وغيرها من المزايا الأخرى التي لا تشوبها شائبة من خلال الاتصال بالإنترنت. تعمل أنظمة Yapay على تحسين أداء جميع الأنظمة والإضافات بشكل أفضل. ميزات إضافية (RL)، تعمل أجهزة الاستشعار على توفير المزيد من المال وتزيد من "القيمة" لتتمكن من الحصول على أفضل النتائج من خلال آلية (السياسة) öğrenme şeklidir. هذا يعني أن جهاز استشعار الضغط العالي قد يعمل على تقليل درجة حرارة المستشعر، مما قد يؤدي إلى زيادة عدد أجهزة الاستشعار عن بعد. كان Benzer واحدًا من أكثر ممثلي RL شهرةً، حيث كان رمزًا لخطة بنزين التي جعلته يتطلع إلى تحقيق النجاح في حياته المهنية. Bu tur yüksek seviyeli yapıların ortaya çıkışı and bunların çevre and actor dinamikleri ile ilişkileri, öğrenme sırasında noron çıktıları ve muhtemelfarklı ortamlarda konuşlandırılmasının anliz edilmesi ile ortaya çıkartılabilir. الأدبية بيك çok çalışma bu sembollerin halihazırda var olduğu varsayımı ile başlar ve bu sembolleri sürekli sürekli sensör çıktıları üzerine oturtur. Diger bir yaklaşım is bu sembollerin ortaya çıkmasını sağlamak amacı ile olarak dizayn edilmiş sinir ağları kullanmaktır. لكن هذا هو السبب في أن هذه الأنظمة الديناميكية ستساعدك على تحسين أنظمة التحكم الخاصة بك بشكل أفضل مما يمكنك من الاستفادة من هذه الرموز المميزة. düşünülebilir. Deneylerimiz için، görevi hız vektörüne bağlı bir bozucu kuvvet altında ayağa kalkmayı öğrenmek olan simüle edilmiş bir robot kullandık. Simule edilmiş nöronlardan oluşan ayağa kalkma mekanizması bir sinir ağı ile öğrenilebilir ve temsil edilebilir. Deneylerimizde böyle bir sinir ağının çıktıları öğrenme sırasında ve sonrasında Farklı ortamlarda kaydedilmiştir. قد تكون هناك حاجة إلى المزيد من صفائح الصويا وتزيد من ديناميكيات التنشيط في وقت واحد. نظرًا لأن الصويا قد تم تسويتها من خلال تجميدها، فإن رمز البنزري قد يتسبب في تفاقم المشكلة.

عرض في المصدر جامعة اوزيجين جامعة اوزيجين - محرك بحث الآثار التاريخية والأرشيفات والدوريات

جامعة اوزيجين

تمثيلات عالية المستوى من خلال التعلم الحسي غير المقيد

المؤلف أوزتوركجو، أوزجور باران

تاريخ النشر 2022-06-21T08:52:08Z

النوع وثيقة

اللغة الإنجليزية

رقمي نعم

مخطوط لا

المكتبة جامعة اوزيجين

رقم السجل 7939ec48-1e50-4636-b4ca-6063f6773d5c

موقع المكتبة قسم علوم الحاسوب

التاريخ 2022-06-21T08:52:08Z

نص عينة الكائنات الحية، وخاصة الثدييات، ماهرة في تعلم المهام المعقدة التي قد تتطلب التخطيط الأساسي مثل استخدام الأدوات والتلاعب بها. وتتجلى هذه القدرة في الجهاز العصبي المركزي؛ على وجه الخصوص، من خلال الدماغ، الذي تطور من دوائر عصبية تقوم بمعالجة الإشارات ذات المستوى المنخفض للعمل والإدراك. يمكن للأنظمة الاصطناعية أن تتعلم كيفية إجراء معالجة إشارات منخفضة المستوى للمهام التي تتطلب إدراكًا وعملًا أساسيًا. إحدى آليات التعلم الخاصة بذلك هي التعلم المعزز (RL)، حيث يتم استخدام الخبرة الحسية الحركية للعامل التي تتضمن سلسلة من قرارات العمل و"المكافآت" التي يتم إرجاعها من البيئة لبناء "سياسة" لمهمة معينة. يمكن تسهيل قدرات تنفيذ المهام المعقدة لدى الحيوانات ذات المستوى الأعلى من خلال التجريدات المتكونة بناءً على دورة الحياة الحسية الحركية للدوائر العصبية ذات المستوى الأدنى أثناء التعلم. وعلى نفس المنوال، يمكن استخدام تجربة التعلم لوكيل RL لتشكيل هياكل تشبه الرمز لتمكين تنفيذ مهام أكثر تعقيدًا، على سبيل المثال التخطيط الواضح في الفضاء الرمزي. يمكن الكشف عن ظهور مثل هذه الهياكل عالية المستوى وعلاقتها بالبيئة وديناميكيات الوكيل من خلال تحليل المخرجات العصبية أثناء التعلم والانتشار الفعلي في بيئات مختلفة. في الأدبيات، هناك مجموعة من الدراسات التي تبدأ بافتراض وجود هياكل رمزية "ترتكز" عليها على إشارات حسية حركية مستمرة يختبرها العامل. بالإضافة إلى ذلك، تهدف العديد من الأعمال إلى تسهيل ظهور تمثيلات تشبه الرموز باستخدام بنيات التعلم الآلي المصممة خصيصًا. في هذه الأطروحة، نتبع نهجًا مختلفًا ونتحقق مما إذا كان نظام التعلم المعزز العميق الذي يتعلم مهمة ديناميكية من شأنه أن يسهل تكوين تمثيلات عصبية عالية المستوى يمكن اعتبارها سلائف للتمثيلات الرمزية. في تجاربنا، نستخدم روبوتًا محاكيًا مهمته الوحيدة هي تعلم سياسة الوقوف في ظل اضطرابات القوة المعتمدة على السرعة. يتم تمثيل السياسة وتعلمها من خلال شبكة عصبية تتكون من محاكاة الخلايا العصبية التي يتم تسجيل استجاباتها أثناء التعلم، وبعد ذلك، عند اختبار السياسة في بيئات مختلفة. يتم بعد ذلك تحليل البيانات المسجلة للكشف عن تكوين تمثيلات مجردة عالية المستوى وعلاقاتها بديناميكيات المهمة. تشير النتائج إلى أنه بدون تصميم واضح لتعزيز التمثيلات المجردة، تظهر استجابات عصبية مثيرة للاهتمام من خلال التعلم، والتي قد تكون بمثابة أساس للتمثيلات المجردة الشبيهة بالرمز. ومع ذلك، فإن مراكز أنظمة التحكم لدينا، يمكن أن تساعدك على التحسين وغيرها من المزايا الأخرى التي لا تشوبها شائبة من خلال الاتصال بالإنترنت. تعمل أنظمة Yapay على تحسين أداء جميع الأنظمة والإضافات بشكل أفضل. ميزات إضافية (RL)، تعمل أجهزة الاستشعار على توفير المزيد من المال وتزيد من "القيمة" لتتمكن من الحصول على أفضل النتائج من خلال آلية (السياسة) öğrenme şeklidir. هذا يعني أن جهاز استشعار الضغط العالي قد يعمل على تقليل درجة حرارة المستشعر، مما قد يؤدي إلى زيادة عدد أجهزة الاستشعار عن بعد. كان Benzer واحدًا من أكثر ممثلي RL شهرةً، حيث كان رمزًا لخطة بنزين التي جعلته يتطلع إلى تحقيق النجاح في حياته المهنية. Bu tur yüksek seviyeli yapıların ortaya çıkışı and bunların çevre and actor dinamikleri ile ilişkileri, öğrenme sırasında noron çıktıları ve muhtemelfarklı ortamlarda konuşlandırılmasının anliz edilmesi ile ortaya çıkartılabilir. الأدبية بيك çok çalışma bu sembollerin halihazırda var olduğu varsayımı ile başlar ve bu sembolleri sürekli sürekli sensör çıktıları üzerine oturtur. Diger bir yaklaşım is bu sembollerin ortaya çıkmasını sağlamak amacı ile olarak dizayn edilmiş sinir ağları kullanmaktır. لكن هذا هو السبب في أن هذه الأنظمة الديناميكية ستساعدك على تحسين أنظمة التحكم الخاصة بك بشكل أفضل مما يمكنك من الاستفادة من هذه الرموز المميزة. düşünülebilir. Deneylerimiz için، görevi hız vektörüne bağlı bir bozucu kuvvet altında ayağa kalkmayı öğrenmek olan simüle edilmiş bir robot kullandık. Simule edilmiş nöronlardan oluşan ayağa kalkma mekanizması bir sinir ağı ile öğrenilebilir ve temsil edilebilir. Deneylerimizde böyle bir sinir ağının çıktıları öğrenme sırasında ve sonrasında Farklı ortamlarda kaydedilmiştir. قد تكون هناك حاجة إلى المزيد من صفائح الصويا وتزيد من ديناميكيات التنشيط في وقت واحد. نظرًا لأن الصويا قد تم تسويتها من خلال تجميدها، فإن رمز البنزري قد يتسبب في تفاقم المشكلة.