原创 张军斌 AI约读社 今天
收录于话题
#强化学习 1 #自监督学习 8
导读:大多数用于对象检测和识别的人工神经网络都是在fully supervised的条件下进行训练的。这不仅非常耗资源,因为它需要大量带标记的数据,而且与人类的学习方式也大不相同。这篇文章的作者首先让agent通过self-supervised exploration在模拟世界中学习。然后让agent通过与世界互动学习到的representations,在这个过程中引入一种称为快速概念映射 (Fast Concept Mapping,FCM) 的方法来定义和检测语义概念。通过具体化 (Embodied) 好奇心驱动探索 (curiosity-driven exploration) 的自我监督学习,该方法仅用一个标记的示例就可以识别出对象。因此,这篇文章的贡献是提出了一种在没有太多监督的情况下学习概念的可行策略 (fast concept mapping),并表明通过与世界的纯粹互动可以学习到环境的有意义的representations。
论文:Fast Concept Mapping: The Emergence of Human Abilities in Artificial Neural Networks when Learning Embodied and Self-Supervised
链接:https://arxiv.org/abs/2102.02153
代码:https://github.com/vkakerbeck/FastConceptMapping
数据:http://dx.doi.org/10.17632/zdh4d5ws2z.2
》》》》》
阅读原文:https://mp.weixin.qq.com/s/naf8923HFFKJ_V6v693ahg