Yazar
Seker, M. Y., Ahmetoglu, A., Nagai, Y., Asada, M., Öztop, Erhan, Ugur, E.
Basım Tarihi
2022-02
Basım Yeri
-
Elsevier
Konu
Taklit öğrenme, Çok modlu öğrenme, Temsil öğrenme, Robot öğrenme
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
0893-6080
Kayıt Numarası
95fa5539-cf63-44e2-95a8-e777c32628d8
Lokasyon
Bilgisayar Bilimi
Tarih
2022-02
Notlar
Avrupa Birliği'nin Ufuk 2020'si; Japonya Bilim ve Teknoloji Ajansı, Japonya CREST "Bilişsel Aynalama"; Japonya'daki Osaka Üniversitesi'nin Uluslararası Ortak Araştırma Teşvik Programı, "Perspektifle değişmez eylem anlayışının gelişimsel ve biyolojik olarak gerçekçi modellenmesi" projesi kapsamında; TAM bünyesindeki Strateji ve Bütçe Başkanlığı
Örnek Metin
Çevreyle etkileşime girmeyi öğrenmek, yalnızca aracıyı manipülasyon yeteneğiyle güçlendirmekle kalmaz, aynı zamanda eylem anlayışı ve taklit yeteneklerinin oluşturulmasını kolaylaştıracak bilgi üretir. Bu, biyolojik sistemler, özellikle de primatlar tarafından benimsenen bir strateji gibi görünüyor; bu, çok-modlu eylem anlayışıyla ilgili gibi görünen ayna nöronların varlığının da kanıtladığı gibi. Diğer etmenlerin eylemlerini ve hedeflerini anlamak için robotların etkileşim deneyiminden nasıl yararlanılacağı hâlâ zorlu bir sorudur. Bu çalışmada, çok modlu sinyalleri stokastik bir ağırlıklandırma mekanizmasıyla harmanlayarak bir robotun çok modlu deneyiminden ortak bir gizli alan yaratan yeni bir yöntem olan derin modalite harmanlama ağları (DMBN) öneriyoruz. Derin öğrenmenin, yeni bir yöntem harmanlama şemasıyla birleştirildiğinde, eylem tanımayı kolaylaştırabildiğini ve anatomik ve efekt temelli taklit yeteneklerini sürdürecek yapılar üretebildiğini ilk kez gösteriyoruz. Koşullu sinirsel süreçlere dayanan önerilen sistemimiz, herhangi bir zaman adımında istenen herhangi bir duyusal/motor değerine göre koşullandırılabilir ve tahmin hatalarının birikmesini önleyerek örneklenen tüm zaman noktaları için ağı paralel olarak sorgulayarak tek seferde istenen koşullandırmayla tutarlı tam bir çok modlu yörünge oluşturabilir. Bir kol tutucu robot ve bir RGB kamerayla yapılan simülasyon deneylerine dayanarak, uzun ufuk yüksek boyutlu yörünge tahminleri açısından son multimodal varyasyonel otomatik kodlayıcı modellerinden daha iyi performans gösteren mevcut modaliteler göz önüne alındığında, DMBN'nin herhangi bir eksik modalite (kamera veya eklem açıları) hakkında doğru tahminler yapabileceğini gösterdik. Ayrıca, farklı perspektiflerden istenilen görüntüler verildiğinde, yani masanın farklı taraflarına yerleştirilen diğer robotların gözlemlenmesiyle oluşturulan görüntülerde, sistemimizin, anatomik veya efekt bazlı taklit davranışına karşılık gelen görüntü ve eklem açısı dizileri oluşturabildiğini gösterdik. Bu ayna benzeri davranışı elde etmek için sistemimiz, piksel bazlı bir şablon eşleştirmesi gerçekleştirmez; bunun yerine, ek deneylerle gösterildiği gibi, hem eklem hem de görüntü modaliteleri kullanılarak oluşturulan ortak gizli alandan yararlanır ve ona güvenir. Dahası, ayna öğrenmenin (sistemimizde) yalnızca görsel deneyime bağlı olmadığını ve propriyoseptif deneyim olmadan gerçekleştirilemeyeceğini gösterdik. Deneylerimiz, farklı başlangıç konfigürasyonlarına sahip on eğitim senaryosundan, önerilen DMBN modelinin, yalnızca görsel bilgiyi kullanan modelin yarısında başarısız olduğu durumların tümünde ayna öğrenimini başarabildiğini gösterdi. Genel olarak, önerilen DMBN mimarisi yalnızca ayna nöron benzeri yetenekleri sürdürmek için bir hesaplama modeli olarak hizmet etmekle kalmıyor, aynı zamanda bir veya daha fazla modalitede kısmi bilgilerle çalışan sağlam geri alma yeteneklerine sahip yüksek boyutlu, çok modlu zamansal veriler için güçlü bir makine öğrenme mimarisi olarak da duruyor.
DOI
10.1016/j.neunet.2021.11.004
Cilt
146
