Yazar
Akbulut, M. T., Öztop, Erhan, Xue, H., Tekden, A. E., Şeker, M. Y., Uğur, E.
Basım Tarihi
2020
Basım Yeri
-
ML Araştırma Basını
Konu
Derin öğrenme, Gösterimden öğrenme, Takviyeli öğrenme, Temsil öğrenme
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
2640-3498
Kayıt Numarası
bf595557-5612-421f-b1d6-80b31ea0b084
Lokasyon
Bilgisayar Bilimi
Tarih
2020
Notlar
Horizon 2020 Çerçeve Programı; Evrimsel Bilim ve Teknolojiye Yönelik Temel Araştırma; Osaka Üniversitesi; TÜBİTAK
Örnek Metin
Robotları hünerli becerilerle donatmak için etkili bir yaklaşım, öncelikle istenen beceriyi Gösterimden Öğrenme (LfD) yoluyla aktarmak, ardından robotun Takviyeli Öğrenme (RL) yoluyla kendi kendini keşfederek bu beceriyi geliştirmesine izin vermektir. Bu yazıda, yeni ortamlarda etkili politika iyileştirmesine ve farklı etmenler arasında etkili beceri aktarımına olanak tanıyan yeni bir LfD+RL çerçevesi, yani Uyarlanabilir Koşullu Sinir Hareketi İlkelleri (ACNMP) öneriyoruz. Bu, temel Koşullu Sinir Süreci (CNP) modeli tarafından öğrenilen gizli temsilin kullanılması ve gösterilen yörüngelerin elde edilmesi için denetimli öğrenme (SL) ile modelin eşzamanlı eğitimi ve yeni yörünge keşfi için RL aracılığıyla gerçekleştirilir. Simülasyon deneyleri aracılığıyla şunu gösteriyoruz: (i) ACNMP, sistemin saf LfD'nin başarısız olduğu durumlara yönelik tahminlerde bulunmasını sağlar; (ii) Sistemin SL ve RL aracılığıyla eşzamanlı eğitimi, her iki öğrenci tarafından kullanılan ortak temsiller nedeniyle yeni durumlara uyum sağlarken gösterilerin şeklini korur; (iii) ACNMP, mevcut yaklaşımlarla karşılaştırıldığında görevlere ulaşmanın ekstrapolasyonunda büyüklük sırasına göre örnek verimli RL'yi mümkün kılar; (iv) ACNMP'ler, farklı morfolojiye sahip, rekabetçi öğrenme hızlarına sahip ve daha da önemlisi, en son teknoloji yaklaşımlara kıyasla daha az sayıda varsayımla robotlar arasında beceri aktarımını uygulamak için kullanılabilir. Son olarak, ACNMP'lerin gerçek dünyaya uygunluğunu engellerden kaçınma, seçme ve yerleştirme ve dökme eylemlerini içeren gerçek robot deneyleri aracılığıyla gösteriyoruz.
Cilt
155
