논문 리뷰 (3) 썸네일형 리스트형 (번역) One-shot Imitation Learning --------Abstract---------- 모방학습은 일반적으로 고립된 상태에서 다른 과제를 해결하기 위해 적용되어 왔다. 이것은 섬세한 특징공학을 요구하거나, 매우 많은 양의 샘플 개수를 요구한다. 이건 우리의 의도와 매우 멀다 : 이상적으로 로봇은 주어진 어떠한 태스크에도 적은 시연에서 학습할 수 있어야 하며, 같은 태스크내에서 새로운 상황에 대해 바로 일반화 시킬 수 있어야 한다 이 때, 태스크에 한정적인 엔지니어링 없이도 가능해야 한다. 이 논문에서, 우리는 그러한 능력을 얻기위해, 메타러닝 프레임워크를 제안하며, 그것의 이름은 one-shot imitation learning 이다. 특히, 우리는 매우 많은 태스크가 있고, 각 태스크에는 많은 인스턴화 가 있다는 것을 가정한다. 예를 들어,.. MAML / Model-Agnostic Meta-Learning MAML 관련해서 만든 (keyNote) -> pdf 파일이다. 해당 논문은 Meta-Learning 에 대한 설명과 이를 위해 모델에 dependent 하지 않는 weight initialization 방법을 기술한 논문이며, 이를 위해 (few-shot) classification / regression / reinforcement learning 실험을 통해 증명하였다. 실험을 통해, 1. Model - Agonostic 2. good performance 3. Feature of Meta-Learning -> need few shot , time for adaptation 을 증명하였다. (번역) MAML / Model-Agnostic Meta Learning for fast adaptation of deep networks 저자 : 첼시 핀 . // C. FINN 논문명 : Model-Agnostic Meta Learning for fast adaptation of deep networks Meta-Learning : Learning to learn 학습하는 방법을 학습. weight 를 initialize 하는 방식에 대한 논문 여러 태스크의 옵티멀 포인트가 있을 때, 한 그레디언트를 움직였을 때, 모든 태스크의 옵티멀 포인트와의 거리가 최소가 되는 현재의 포인트를 찾는 문제. --번역> 우리는 모델에 구애받지 않는(model-Agnostic) 메타 학습 알고리즘을 제안한다. 이것은 그래디언트 디센트 방식으로 어떠한 모델들도 훈련시킬 수 있고, 분류/회귀/강화학습을 포함한 여러 다른 학습 문제들에 대해 적용할 수 있습니다.. 이전 1 다음
