フェイルセーフ敵対生成模倣学習【JST・京大機械翻訳】

Geiger Philipp; Straehle Christoph-Nikolas

プレプリント

J-GLOBAL ID：202202215530631690 整理番号：22P0298346

フェイルセーフ敵対生成模倣学習【JST・京大機械翻訳】

Fail-Safe Adversarial Generative Imitation Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月03日プレプリントサーバーでの情報更新日： 2023年07月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

柔軟だが安全な模倣学習(IL)のために,安全な生成連続政策の閉形式確率密度/勾配,エンドツーエンド生成敵対訓練,および最悪ケース安全保証を可能にする安全層を有する理論とモジュール法を提案した。安全層は,安全行動のセットにすべての行動をマップし,密度に対する変動変数式プラス加算性を利用する。安全行動のセットは,フォールバック操作の敵対的到達可能性分析を通して,行動の有限サンプルの安全性を最初にチェックすることによって推論して,次に,例えばLipschitz連続性を用いて,これらの行動の近傍の安全性に関して結論を下した。著者らは,試験時間(二次誤差まで)のみを用いた場合と比較して,訓練中の安全層(水平線における模倣誤差線形)の使用のロバスト性の利点を示す理論解析を提供した。実世界運転者相互作用データに関する実験において,著者らのアプローチの扱いやすさ,安全性および模倣性能を経験的に実証した。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , データ保護

, ,

前のページに戻る