Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Goto Application

1. WO2020091871 - SYSTÈMES ET PROCÉDÉS D'APPRENTISSAGE PAR TRANSFERT À PEU D'EXEMPLES

Numéro de publication WO/2020/091871
Date de publication 07.05.2020
N° de la demande internationale PCT/US2019/045169
Date du dépôt international 05.08.2019
CIB
G06N 3/08 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
08Méthodes d'apprentissage
G06N 3/04 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
CPC
B25J 9/163
BPERFORMING OPERATIONS; TRANSPORTING
25HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
JMANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
9Programme-controlled manipulators
16Programme controls
1628characterised by the control loop
163learning, adaptive, model based, rule based expert control
G06K 9/6267
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6267Classification techniques
G06N 3/0445
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0445Feedback networks, e.g. hopfield nets, associative networks
G06N 3/0454
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
0454using a combination of multiple neural nets
G06N 3/084
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
084Back-propagation
G06N 3/088
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
088Non-supervised learning, e.g. competitive learning
Déposants
  • HRL LABORATORIES, LLC [US]/[US]
Inventeurs
  • KOLOURI, Soheil
  • ROSTAMI, Mohammad
  • KIM, Kyungnam
Mandataires
  • LEE, Shaun P.
Données relatives à la priorité
62/752,16629.10.2018US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) SYSTEMS AND METHODS FOR FEW-SHOT TRANSFER LEARNING
(FR) SYSTÈMES ET PROCÉDÉS D'APPRENTISSAGE PAR TRANSFERT À PEU D'EXEMPLES
Abrégé
(EN)
A method for training a controller to control a robotic system includes: receiving a neural network of an original controller for the robotic system based on origin data samples from an origin domain and labels in a label space, the neural network including encoder and classifier parameters, the neural network being trained to: map an input data sample from the origin domain to a feature vector in a feature space using the encoder parameters; and assign a label of the label space to the input data sample using the feature vector based on the classifier parameters; updating the encoder parameters to minimize a dissimilarity, in the feature space, between: origin feature vectors computed from the origin data samples; and target feature vectors computed from target data samples from a target domain; and updating the controller with the updated encoder parameters to control the robotic system in the target domain.
(FR)
L'invention concerne un procédé d'entraînement d'un dispositif de commande permettant de commander un système robotique comprenant : la réception d'un réseau neuronal d'un dispositif de commande d'origine du système robotique en fonction d'échantillons de données d'origine provenant d'un domaine d'origine et d'étiquettes dans un espace d'étiquettes, le réseau neuronal comprenant des paramètres de codeur et de classificateur, le réseau neuronal étant entraîné pour : mettre en correspondance un échantillon de données d'entrée provenant du domaine d'origine avec un vecteur de caractéristiques dans un espace de caractéristiques à l'aide des paramètres de codeur ; et attribuer une étiquette de l'espace d'étiquettes à l'échantillon de données d'entrée à l'aide du vecteur de caractéristiques en fonction des paramètres de classificateur ; mettre à jour les paramètres de codeur afin de réduire au minimum une dissimilarité dans l'espace de caractéristique entre : des vecteurs de caractéristiques d'origine calculés à partir des échantillons de données d'origine ; et des vecteurs de caractéristiques cibles calculés à partir d'échantillons de données cibles provenant d'un domaine cible ; et mettre à jour le dispositif de commande avec les paramètres de codeur mis à jour afin de commander le système robotique dans le domaine cible.
Dernières données bibliographiques dont dispose le Bureau international