ویژگی های سطح بالا برای صرفه جویی در منابع و یادگیری سریع در انتقال مهارت
| عنوان | ویژگی های سطح بالا برای صرفه جویی در منابع و یادگیری سریع در انتقال مهارت |
|---|---|
| نویسنده | Ahmetoglu، A.، Uğur، E.، Asada، M.، اوزتوپ، Erhan |
| تاریخ انتشار: | 2022 |
| محل انتشار | - تیلور و فرانسیس |
| موضوع | یادگیری تقویتی، ظهور نماد، یادگیری انتقالی |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 0169-1864 |
| شماره ثبت | ff359493-b1ee-4b52-8956-7a3ce6bde38c |
| محل کتابخانه | علوم کامپیوتر |
| تاریخ | 2022 |
| یادداشتها | TÜBİTAK |
| متن نمونه | انتزاع جنبه مهمی از هوش است که عاملان را قادر می سازد تا بازنمایی های قوی برای تصمیم گیری موثر و کارآمد بسازند. اگرچه، ثابت شده است که شبکههای عصبی عمیق به دلیل توانایی آنها در ایجاد انتزاعات پیچیدهتر در لایههای متوالی، سیستمهای یادگیری مؤثری هستند، این انتزاعها عمدتاً در بسیاری از نورونها توزیع میشوند و استفاده مجدد از یک مهارت آموختهشده را پرهزینه میکند و بینشهایی را که میتوان در بازنماییهای نوظهور به دست آورد، نادیده گرفت. برای جلوگیری از تعصب طراح و استفاده بیدریغ از منابع، ما پیشنهاد میکنیم که از دینامیک پاسخ عصبی برای تشکیل نمایشهای فشرده برای استفاده در انتقال مهارت استفاده کنیم. برای این کار، ما دو روش رقیب را بر اساس (1) اصل فشردهسازی اطلاعات حداکثر و (2) این تصور که رویدادهای انتزاعی تمایل به تولید سیگنالهای آهسته در حال تغییر دارند، در نظر میگیریم و آنها را برای سیگنالهای عصبی تولید شده در طول اجرای کار اعمال میکنیم. برای دقیق بودن، در آزمایشهای شبیهسازی خود، تحلیل مؤلفههای اصلی (PCA) یا تحلیل ویژگیهای آهسته (SFA) را روی سیگنالهای جمعآوریشده از آخرین لایه پنهان شبکه عصبی عمیق در حالی که یک کار منبع را انجام میدهد، اعمال میکنیم و از این ویژگیها برای انتقال مهارت در یک کار جدید، هدف، استفاده میکنیم. سپس تعمیم و عملکرد یادگیری این گزینه ها را با خطوط پایه انتقال مهارت با خروجی لایه کامل و تنظیمات بدون انتقال مقایسه می کنیم. نتایج تجربی ما روی یک وظیفه ناوبری بازوی رومیزی شبیهسازی شده نشان میدهد که واحدهایی که با SFA ایجاد میشوند برای انتقال مهارت موفقترین هستند. SFA و همچنین PCA، منابع کمتری را در مقایسه با انتقال مهارت معمولی متحمل میشوند، جایی که خروجیهای لایه کامل در یادگیری کار جدید استفاده میشوند، به موجب آن بسیاری از واحدهای تشکیلشده یک پاسخ موضعی را نشان میدهند که منعکس کننده روابط اثرگذار نهایی-موانع-هدف است. در نهایت، واحدهای SFA با کمترین مقادیر ویژه شبیه نمایشهای نمادین هستند که با ویژگیهای سطح بالا مانند زوایای مشترک و موقعیت اثر پایانی که ممکن است بهعنوان پیشمایههایی برای سیستمهای کاملا نمادین در نظر گرفته شوند، همبستگی زیادی دارند. |
| DOI | 10.1080/01691864.2021.2019613 |
| Cilt | 36 |
