PLAD:擬似ラベルと近似分布による形状プログラムを推論するための学習【JST・京大機械翻訳】

Jones R. Kenny; Walke Homer; Ritchie Daniel

プレプリント

J-GLOBAL ID：202202218796804289 整理番号：21P0063700

PLAD:擬似ラベルと近似分布による形状プログラムを推論するための学習【JST・京大機械翻訳】

PLAD: Learning to Infer Shape Programs with Pseudo-Labels and Approximate Distributions

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 (3件)： , ,
資料名：
発行年： 2020年11月25日プレプリントサーバーでの情報更新日： 2022年03月22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)

2Dおよび3D形状を生成するプログラムは,リバースエンジニアリング,編集およびより重要である。このタスクを実行するための訓練モデルは,対(形状,プログラム)データが多くのドメインに対して容易に利用できないため,複雑であり,正確な教師つき学習を実行不可能にしている。しかし,割り当てられたプログラムラベルまたは形状分布のいずれかの精度を損なうことによって,対データを得ることは可能である。Wake-slep法は,実際の形状の分布を近似するために形状プログラムの生成モデルからサンプルを使用する。自己訓練において,形状は認識モデルを通して通過し,それらの形状に対して”擬似ラベル”として扱われるプログラムを予測する。これらのアプローチに関連して,プログラム擬似ラベルがそれらの実行出力形状と対になったプログラム推論に特有な新しい自己訓練バリアントを導入し,近似形状分布のコストでラベル不整合を回避した。擬似LabelsまたはApproximate分布(PLAD)のいずれかからソースされた最尤更新により訓練を行う単一概念フレームワークの下でこれらの体制をグループ化することを提案する。多重2Dと3D形状プログラム推論領域に関するこれらの技術を評価した。政策勾配強化学習と比較して,PLAD技術はより正確な形状プログラムを推論し,かなり速く収束することを示した。最後に,単一モデルの訓練内で異なるPLAD法から更新を結合することを提案し,このアプローチが任意の個々の手法より優れていることを見出した。【JST・京大機械翻訳】

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

人工知能

, , , , ,

前のページに戻る