Quick and Accurate Affordance Learning

要約

幼児は環境の中で積極的に学び、独自の学習カリキュラムを形成します。
彼らは、環境のアフォーダンス、つまり、地域の状況が自分たちの行動が環境にどのように影響するかを決定する方法について学びます。
ここでは、深層学習アーキテクチャを使用してこのタイプの動作をモデル化します。
このアーキテクチャは、グローバル認知マップ探索とローカル アフォーダンス学習の間を仲介します。
推論プロセスは、アフォーダンス関連の知識の獲得が期待される領域に向かってシミュレートされたエージェントを積極的に移動させます。
この探索をガイドするために、モデルの予測不確実性、複数のモデルの平均間の標準偏差 (SD)、および複数のモデル間のジェンセン・シャノンダイバージェンス (JSD) という 3 つの不確実性の尺度を対比します。
最初の尺度は環境に固有の偶然的な不確実性によってだまされる一方、他の 2 つの尺度は認識論的な不確実性に焦点を当てて学習することを示します。
JSD は最もバランスのとれた探査戦略を示します。
計算の観点から、私たちのモデルは、学習カリキュラムの能動的な生成を調整するための 3 つの重要な要素を示唆しています: (1) 能動的なアフォーダンス学習を可能にするためには、ナビゲーション動作を局所的な運動動作と調整する必要があります。
(2) 一般化された知識を取得するには、アフォーダンスをローカルでエンコードする必要があります。
(3) 効果的なアクティブ アフォーダンス学習メカニズムでは、期待される知識獲得量を推定するために密度比較手法を使用する必要があります。
将来の研究では、より現実的なシナリオで子供たちの活発な遊びをモデル化するために、発達心理学との協力が模索される可能性があります。

要約(オリジナル)

Infants learn actively in their environments, shaping their own learning curricula. They learn about their environments’ affordances, that is, how local circumstances determine how their behavior can affect the environment. Here we model this type of behavior by means of a deep learning architecture. The architecture mediates between global cognitive map exploration and local affordance learning. Inference processes actively move the simulated agent towards regions where they expect affordance-related knowledge gain. We contrast three measures of uncertainty to guide this exploration: predicted uncertainty of a model, standard deviation between the means of several models (SD), and the Jensen-Shannon Divergence (JSD) between several models. We show that the first measure gets fooled by aleatoric uncertainty inherent in the environment, while the two other measures focus learning on epistemic uncertainty. JSD exhibits the most balanced exploration strategy. From a computational perspective, our model suggests three key ingredients for coordinating the active generation of learning curricula: (1) Navigation behavior needs to be coordinated with local motor behavior for enabling active affordance learning. (2) Affordances need to be encoded locally for acquiring generalized knowledge. (3) Effective active affordance learning mechanisms should use density comparison techniques for estimating expected knowledge gain. Future work may seek collaborations with developmental psychology to model active play in children in more realistic scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google