抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ハミルトニアンやラグランジアンNNのような物理インスパイアードニューラルネットワーク(NN)は,強い誘導バイアスを活用することにより,他の学習力学モデルを劇的に凌駕する。しかし,これらのモデルは,エネルギーを保存しないものや,ロボットや強化学習のための共通の設定を含む,多くの実世界システムに適用するのに挑戦している。本論文では,物理にヒントを得たモデルを実際に成功させる帰納的バイアスを調べた。従来の w雑さとは対照的に,HNNの改善された一般化は,シンプレクティック構造またはエネルギー保存よりも,むしろ,協調システムからの人工的複雑性を避けて,モデリング加速の結果であった。これらのモデルの帰納的バイアスを緩和することにより,エネルギー保存システムに関する性能に整合または超えることができ,一方,実用的で非保存的システムに関する性能を劇的に改善することを示した。一般的なMujoco環境に対する遷移モデルを構築するためにこの手法を拡張し,本モデルがモデルベース制御に必要な柔軟性と誘導バイアスを適切にバランスできることを示した。【JST・京大機械翻訳】