ユーザ適応可視化による線形モデルツリーを用いた深層強化学習ドッキングエージェントの説明【JST・京大機械翻訳】

Gjaerum Vilde B.; Struemke Inga; Alsos Ole Andreas; Lekkas Anastasios M.

プレプリント

J-GLOBAL ID：202202216148907240 整理番号：22P0297018

ユーザ適応可視化による線形モデルツリーを用いた深層強化学習ドッキングエージェントの説明【JST・京大機械翻訳】

Explaining a Deep Reinforcement Learning Docking Agent Using Linear Model Trees with User Adapted Visualization

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 (4件)： , , ,
資料名：
発行年： 2022年03月01日プレプリントサーバーでの情報更新日： 2022年03月01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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深層ニューラルネットワーク(DNN)は海洋ロボット分野で有用であるが,その有用性値はブラックボックス特性によって制限される。説明可能な人工知能法は,このようなブラックボックスがどのようにそれらの決定を行うかを理解することを試みる。本研究では,線形モデルツリー(LMT)を用いて,模擬環境における自律表面容器(ASV)を制御するDNNを近似し,次に,DNNと平行して実行して,リアルタイムにおける特徴属性の形式における説明を与えた。モデルがいかによく理解できるかは,説明自体だけでなく,どのようによく提示され,また,前述の説明の受信機に適応されるかにも依存する。異なるエンドユーザは,これらの異なる表現だけでなく,異なるタイプの説明を必要とする。本研究の主な貢献は,(1)木の分割における特徴の規則化を導入することによって,LMTを構築するための greedy欲手法の精度と構築時間の両方を著しく改善し,(2)この説明のエージェントと受信機の2つの異なるエンドユーザとして,また,開発者がシステムのエンドユーザである場合,また,その異なる特性に基づき,この開発者がシステムのエンドユーザである場合,また,LMTによって与えられた特徴属性と,その異なる特性に基づき,海上またはオペレータがエンドユーザである場合について,LMTによって与えられた特徴属性の概観を提供することである。【JST・京大機械翻訳】

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

人工知能

, , , , , ,

前のページに戻る