A New Online Evolutive Optimization Method for Driving Agents
Notice bibliographique
Résumé
As one of the research objects in machine learning, agents are endowed with the ability to perceive and make decisions. In order to meet the needs of different applications, many researchers focus on algorithms for controlling agents. In most current paradigms, the control algorithms take the information of the surrounding environment as input and output actions. However, under the influence of this unidirectional data flow, the upper limit of the performance of control algorithms depends on the accuracy and fit measure of the environment information. Even though recent end-to-end control algorithms take the environmental raw data as input and reduce the influence of perception performance on it, the raw data acquisition method is still fixed, therefore, the performance of these control algorithms is still limited by the environmental information acquisition scheme. Meanwhile, although most control methods have the ability to update parameters online, they usually do not have the ability to optimize the acquisition of environmental information, and there may be unknown situations that are not in the data set used for pre-training. As a result, current methods cannot handle detection inaccuracies and unknown situations, and lack the ability to further improve their own performance online. In order to resolve the deficiency of the traditional control paradigms, we introduce the reverse optimization channel from the controller to the environmental information acquisition scheme to form a new algorithm through communication between devices. Experiments show that our method has significant performance margin and universal online evolutive learning ability, as compared to traditional paradigms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».