بازگشت به جستجو

بازنمایی های سطح بالا از طریق یادگیری حسی حرکتی نامحدود

عنوان	بازنمایی های سطح بالا از طریق یادگیری حسی حرکتی نامحدود
نویسنده	Öztürkçü، Özgür Baran
تاریخ انتشار:	2022-06-21T08:52:08Z
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شماره ثبت	7939ec48-1e50-4636-b4ca-6063f6773d5c
محل کتابخانه	گروه علوم کامپیوتر
تاریخ	2022-06-21T08:52:08Z
متن نمونه	موجودات زنده، به ویژه پستانداران در یادگیری وظایف پیچیده ای که ممکن است نیاز به برنامه ریزی اساسی مانند استفاده از ابزار و دستکاری داشته باشد، مهارت دارند. این توانایی توسط سیستم عصبی مرکزی آشکار می شود. به ویژه توسط مغز، که از مدارهای عصبی که پردازش سیگنال در سطح پایین را برای عمل و ادراک انجام می دهند، تکامل یافته است. سیستم‌های مصنوعی می‌توانند پردازش سیگنال سطح پایین را برای کارهایی که نیاز به درک و عمل اولیه دارند، یاد بگیرند. یک مکانیسم یادگیری خاص برای این، یادگیری تقویتی (RL) است، که در آن تجربه حسی-حرکتی یک عامل که شامل مجموعه ای از تصمیمات عملی و "پاداش" برگشتی از محیط است، برای ایجاد یک "سیاست" برای یک کار معین استفاده می شود. قابلیت‌های پیچیده اجرای وظایف حیوانات سطح بالاتر ممکن است با انتزاع‌هایی که بر اساس چرخه زندگی حسی حرکتی مدارهای عصبی سطح پایین‌تر در طول یادگیری شکل می‌گیرد، تسهیل شود. در روشی مشابه، تجربه یادگیری یک عامل RL می تواند برای تشکیل ساختارهای نماد مانند برای فعال کردن اجرای وظایف پیچیده تر، برای مثال با برنامه ریزی صریح در فضای نمادین استفاده شود. ظهور چنین ساختارهای سطح بالا و رابطه آنها با محیط و دینامیک عامل ممکن است با تجزیه و تحلیل خروجی های عصبی در طول یادگیری و استقرار واقعی در محیط های مختلف آشکار شود. در ادبیات، طیف وسیعی از مطالعات وجود دارد که با فرض وجود ساختارهای نمادین شروع می‌شوند که آنها را بر روی سیگنال‌های حسی حرکتی پیوسته تجربه می‌کند. علاوه بر این، بسیاری از کارها با استفاده از معماری‌های یادگیری ماشینی طراحی‌شده ویژه، به منظور تسهیل ظهور نمادهای نمادین هستند. در این پایان نامه، ما رویکرد متفاوتی را در پیش می گیریم و بررسی می کنیم که آیا یک سیستم یادگیری تقویتی عمیق که یک کار پویا را یاد می گیرد، شکل گیری بازنمایی های عصبی سطح بالا را که ممکن است به عنوان پیش ساز بازنمایی های نمادین در نظر گرفته شوند، تسهیل می کند یا خیر. برای آزمایش‌های خود، از یک ربات شبیه‌سازی شده استفاده می‌کنیم که تنها وظیفه آن یادگیری خط‌مشی برای ایستادن در برابر اختلالات نیروی وابسته به سرعت است. این خط‌مشی توسط یک شبکه عصبی که از نورون‌های شبیه‌سازی‌شده تشکیل شده است، نمایش داده می‌شود که پاسخ‌های آنها در حین یادگیری و بعداً هنگام آزمایش خط‌مشی در محیط‌های مختلف ثبت می‌شود. سپس داده‌های ثبت‌شده برای تشخیص شکل‌گیری نمایش‌های انتزاعی سطح بالا و روابط آن‌ها با پویایی کار تجزیه و تحلیل می‌شوند. نتایج نشان می‌دهد که حتی بدون طراحی صریح برای ارتقای بازنمایی‌های انتزاعی، پاسخ‌های عصبی جذاب از طریق یادگیری پدیدار می‌شوند، که ممکن است به عنوان پایه‌ای برای بازنمایی‌های انتزاعی نماد مانند عمل کند. بو یئتنک، مرکزی سینیر سیستمی تارافیندان، اوزللیکله د اکسییون و الگی ایچین آلت سویه سینیال ایشلمه گرچکلسیرن نورال دوئرلردن گلیشن بیین تارافیندان اورتایا کنمکتادیر. یاپای سیستملر، تمل الگیلاما و آکسیون آلما بایدیرن گؤرولر ایچین آلت سویه سینیل ایشلمه ای اوغرنبیلیر. Özellikle pekiştirmeli öğrenme (RL), bir aktörün sensör deneyimi ile bir dizi aksiyon alması ve çevreden dönen "ödülleri" toplayarak belirli bir görevi yerine getirmek için gerekli karar mekanizmasını (policy) داها گلیشمیش هایوانلارین کارماشیک گورولری گرچکلهشتیرمه یتنکلری، اوغرنمه سیراسیندا آلت سویه سینیر دوورلرینین سنسور دنییمی دونگوسونه دایالی اولارک اولوشتورولان سویوتلامالار ایله گرچکلشیریل. Benzer bir şekilde bir RL aktörünün öğrenme deneyimi، نماد benzeri yapılar olusturularak، نماد ile planlama gibi karmaşık görevleri yerine getirmesini sağlamak amacı için kullanılabilir. Bu tür yüksek seviyeli yapıların ortaya çıkışı ve bunların çevre ve aktor dinamikleri ile ilişkileri, öğrenme sırasında nöron çıktıları ve muhtemel farklı ortamlarda konuşlandırılmasıni analizılairitailed. Literatürde pek çok çalışma bu sembollerin halihazırda var olduğu varsayımı ile başlar ve bu sembolleri sürekli motor sensor çıktıları üzerine oturtur. دیغر بیر یاکلاشیم ایسه بو سمبللرین اورتایا چیکماسینی ساغلامک آماچی ایله اوزل اولارک دیزاین ادیلمیش سینیر آغلاری کولانمکتیر. Bu tez çalışmasında ise dinamik bir görevi öğrenen bir derin pekiştirmeli öğrenme sistemin üst seviye bir sinirsel yapı oluşturma olasığı incelenmiştir ki bu yapılar نمادik temsillerin öncülleri olarak düşünübilir. 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. دنیلریمیزده بویله بیر سینیر آغینین چیکتیلاری اوغرنمه سیراسیندا و سونراشیندا فارکلی اورتاملاردا کایدیلمیشتر. Kaydedilen veriler daha sonra üst seviye soyut temsillerin oluşumu ve bunların görev dinamikleri ile ilişkilerini tespit etmek için incelenmiştir. سونوچلار، سویوت یاپیلار ایچین اوزل بیر تاساریم کولانمدان، سمبل بنزری گؤستریم اولارک گؤروله بیلچک ایلگی چکیچی سینیر چیکتیلارینین اولوشابیله جینی گؤسترمیشتیر.

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

بازنمایی های سطح بالا از طریق یادگیری حسی حرکتی نامحدود

نویسنده Öztürkçü، Özgür Baran

تاریخ انتشار 2022-06-21T08:52:08Z

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شماره ثبت 7939ec48-1e50-4636-b4ca-6063f6773d5c

محل کتابخانه گروه علوم کامپیوتر

تاریخ 2022-06-21T08:52:08Z

متن نمونه موجودات زنده، به ویژه پستانداران در یادگیری وظایف پیچیده ای که ممکن است نیاز به برنامه ریزی اساسی مانند استفاده از ابزار و دستکاری داشته باشد، مهارت دارند. این توانایی توسط سیستم عصبی مرکزی آشکار می شود. به ویژه توسط مغز، که از مدارهای عصبی که پردازش سیگنال در سطح پایین را برای عمل و ادراک انجام می دهند، تکامل یافته است. سیستم‌های مصنوعی می‌توانند پردازش سیگنال سطح پایین را برای کارهایی که نیاز به درک و عمل اولیه دارند، یاد بگیرند. یک مکانیسم یادگیری خاص برای این، یادگیری تقویتی (RL) است، که در آن تجربه حسی-حرکتی یک عامل که شامل مجموعه ای از تصمیمات عملی و "پاداش" برگشتی از محیط است، برای ایجاد یک "سیاست" برای یک کار معین استفاده می شود. قابلیت‌های پیچیده اجرای وظایف حیوانات سطح بالاتر ممکن است با انتزاع‌هایی که بر اساس چرخه زندگی حسی حرکتی مدارهای عصبی سطح پایین‌تر در طول یادگیری شکل می‌گیرد، تسهیل شود. در روشی مشابه، تجربه یادگیری یک عامل RL می تواند برای تشکیل ساختارهای نماد مانند برای فعال کردن اجرای وظایف پیچیده تر، برای مثال با برنامه ریزی صریح در فضای نمادین استفاده شود. ظهور چنین ساختارهای سطح بالا و رابطه آنها با محیط و دینامیک عامل ممکن است با تجزیه و تحلیل خروجی های عصبی در طول یادگیری و استقرار واقعی در محیط های مختلف آشکار شود. در ادبیات، طیف وسیعی از مطالعات وجود دارد که با فرض وجود ساختارهای نمادین شروع می‌شوند که آنها را بر روی سیگنال‌های حسی حرکتی پیوسته تجربه می‌کند. علاوه بر این، بسیاری از کارها با استفاده از معماری‌های یادگیری ماشینی طراحی‌شده ویژه، به منظور تسهیل ظهور نمادهای نمادین هستند. در این پایان نامه، ما رویکرد متفاوتی را در پیش می گیریم و بررسی می کنیم که آیا یک سیستم یادگیری تقویتی عمیق که یک کار پویا را یاد می گیرد، شکل گیری بازنمایی های عصبی سطح بالا را که ممکن است به عنوان پیش ساز بازنمایی های نمادین در نظر گرفته شوند، تسهیل می کند یا خیر. برای آزمایش‌های خود، از یک ربات شبیه‌سازی شده استفاده می‌کنیم که تنها وظیفه آن یادگیری خط‌مشی برای ایستادن در برابر اختلالات نیروی وابسته به سرعت است. این خط‌مشی توسط یک شبکه عصبی که از نورون‌های شبیه‌سازی‌شده تشکیل شده است، نمایش داده می‌شود که پاسخ‌های آنها در حین یادگیری و بعداً هنگام آزمایش خط‌مشی در محیط‌های مختلف ثبت می‌شود. سپس داده‌های ثبت‌شده برای تشخیص شکل‌گیری نمایش‌های انتزاعی سطح بالا و روابط آن‌ها با پویایی کار تجزیه و تحلیل می‌شوند. نتایج نشان می‌دهد که حتی بدون طراحی صریح برای ارتقای بازنمایی‌های انتزاعی، پاسخ‌های عصبی جذاب از طریق یادگیری پدیدار می‌شوند، که ممکن است به عنوان پایه‌ای برای بازنمایی‌های انتزاعی نماد مانند عمل کند. بو یئتنک، مرکزی سینیر سیستمی تارافیندان، اوزللیکله د اکسییون و الگی ایچین آلت سویه سینیال ایشلمه گرچکلسیرن نورال دوئرلردن گلیشن بیین تارافیندان اورتایا کنمکتادیر. یاپای سیستملر، تمل الگیلاما و آکسیون آلما بایدیرن گؤرولر ایچین آلت سویه سینیل ایشلمه ای اوغرنبیلیر. Özellikle pekiştirmeli öğrenme (RL), bir aktörün sensör deneyimi ile bir dizi aksiyon alması ve çevreden dönen "ödülleri" toplayarak belirli bir görevi yerine getirmek için gerekli karar mekanizmasını (policy) داها گلیشمیش هایوانلارین کارماشیک گورولری گرچکلهشتیرمه یتنکلری، اوغرنمه سیراسیندا آلت سویه سینیر دوورلرینین سنسور دنییمی دونگوسونه دایالی اولارک اولوشتورولان سویوتلامالار ایله گرچکلشیریل. Benzer bir şekilde bir RL aktörünün öğrenme deneyimi، نماد benzeri yapılar olusturularak، نماد ile planlama gibi karmaşık görevleri yerine getirmesini sağlamak amacı için kullanılabilir. Bu tür yüksek seviyeli yapıların ortaya çıkışı ve bunların çevre ve aktor dinamikleri ile ilişkileri, öğrenme sırasında nöron çıktıları ve muhtemel farklı ortamlarda konuşlandırılmasıni analizılairitailed. Literatürde pek çok çalışma bu sembollerin halihazırda var olduğu varsayımı ile başlar ve bu sembolleri sürekli motor sensor çıktıları üzerine oturtur. دیغر بیر یاکلاشیم ایسه بو سمبللرین اورتایا چیکماسینی ساغلامک آماچی ایله اوزل اولارک دیزاین ادیلمیش سینیر آغلاری کولانمکتیر. Bu tez çalışmasında ise dinamik bir görevi öğrenen bir derin pekiştirmeli öğrenme sistemin üst seviye bir sinirsel yapı oluşturma olasığı incelenmiştir ki bu yapılar نمادik temsillerin öncülleri olarak düşünübilir. 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. دنیلریمیزده بویله بیر سینیر آغینین چیکتیلاری اوغرنمه سیراسیندا و سونراشیندا فارکلی اورتاملاردا کایدیلمیشتر. Kaydedilen veriler daha sonra üst seviye soyut temsillerin oluşumu ve bunların görev dinamikleri ile ilişkilerini tespit etmek için incelenmiştir. سونوچلار، سویوت یاپیلار ایچین اوزل بیر تاساریم کولانمدان، سمبل بنزری گؤستریم اولارک گؤروله بیلچک ایلگی چکیچی سینیر چیکتیلارینین اولوشابیله جینی گؤسترمیشتیر.