محققان دانشگاه کالیفرنیای جنوبی (USC) سیستمی را ایجاد کرده اند که فقط با چند نمایش می‌تواند کارهای پیچیده‌ای را انجام دهد. مقاله تحقیقاتی تحت عنوان، "یادگیری از نمایش با استفاده از منطق زمانی سیگنال"، در کنفرانس یادگیری ربات هفته گذشته ارائه شد.
به گزارش سرویس آی تی و فناوری انتخاب، در مقاله تحقیق ذکر شده است که این سیستم به محدودیت‌های موجود در یادگیری تقویت در ربات‌ها مانند نقص‌ها، ایمنی و تفسیر پذیری پرداخته است.
محققان از منطق Signal Temporal استفاده کرده اند تا ربات فقط از طریق چند نمایش، کار‌هایی مانند رانندگی با ماشین و پختن غذا را بیاموزد. آنیرود پورانیک، دانشجوی دکترای علوم کامپیوتر در دانشکده مهندسی USC Viterbi و نویسنده اصلی این تحقیق می‌گوید: «بسیاری از سیستم‌های یادگیری ماشین و یادگیری تقویت کننده به مقادیر زیادی داده و صد‌ها نمایش نیاز دارند.»
مدل یادگیری از روی نمایش موجود در ربات‌ها شامل یادگیری تقویت کننده است. اگر بخواهیم به زبان ساده این پروژه را بررسی کنیم، به نظر می‌رسد رفتار ربات‌ها تحت تاثیر این سیستم رشد قابل توجهی را تجربه می‌کنند و می‌توانند بسیاری از وظایق را سازماندهی کنند، حتی با یکبار آموزش و بدون نظارت انسانها.
محققان نتیجه گرفتند که این روش جهت‌های جدیدی را برای ایمنی و تفسیر پذیری سیاست‌های کنترل ربات و تأیید روش‌های یادگیری بدون مدل فراهم می‌کند. همچنین برای برنامه‌هایی که نقشه‌ها از قبل شناخته شده اند بسیار مناسب است. بر این اساس شاید شرایط تا حدی پیشرفت کند که ربات‌ها برای عاملان انسانی تصمیم گیری کنند.
محققان دانشگاه کالیفرنیای جنوبی (USC) سیستمی را ایجاد کرده اند که فقط با چند نمایش می‌تواند کارهای پیچیده‌ای را انجام دهد. مقاله تحقیقاتی تحت عنوان، "یادگیری از نمایش با استفاده از منطق زمانی سیگنال"، در کنفرانس یادگیری ربات هفته گذشته ارائه شد.
به گزارش سرویس آی تی و فناوری انتخاب، در مقاله تحقیق ذکر شده است که این سیستم به محدودیت‌های موجود در یادگیری تقویت در ربات‌ها مانند نقص‌ها، ایمنی و تفسیر پذیری پرداخته است.
محققان از منطق Signal Temporal استفاده کرده اند تا ربات فقط از طریق چند نمایش، کار‌هایی مانند رانندگی با ماشین و پختن غذا را بیاموزد. آنیرود پورانیک، دانشجوی دکترای علوم کامپیوتر در دانشکده مهندسی USC Viterbi و نویسنده اصلی این تحقیق می‌گوید: «بسیاری از سیستم‌های یادگیری ماشین و یادگیری تقویت کننده به مقادیر زیادی داده و صد‌ها نمایش نیاز دارند.»
مدل یادگیری از روی نمایش موجود در ربات‌ها شامل یادگیری تقویت کننده است. اگر بخواهیم به زبان ساده این پروژه را بررسی کنیم، به نظر می‌رسد رفتار ربات‌ها تحت تاثیر این سیستم رشد قابل توجهی را تجربه می‌کنند و می‌توانند بسیاری از وظایق را سازماندهی کنند، حتی با یکبار آموزش و بدون نظارت انسانها.
محققان نتیجه گرفتند که این روش جهت‌های جدیدی را برای ایمنی و تفسیر پذیری سیاست‌های کنترل ربات و تأیید روش‌های یادگیری بدون مدل فراهم می‌کند. همچنین برای برنامه‌هایی که نقشه‌ها از قبل شناخته شده اند بسیار مناسب است. بر این اساس شاید شرایط تا حدی پیشرفت کند که ربات‌ها برای عاملان انسانی تصمیم گیری کنند.
