PulseAugur
中
实时 10:19:27
English(EN) Differentiable Clone-Structured Causal Graphs for End-to-End Cognitive Map Learning from Image Sequences

新的可微分CSCG算法支持从图像端到端学习认知图

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为gradCSCG的可微分克隆结构因果图（CSCG）算法版本，以支持从图像序列端到端学习认知图。该新模块与VQ-VAE感知前端集成，允许梯度训练回流到感知。该系统成功地从各种环境中的高度混叠的视觉输入中重建了底层的邻接图，包括来自MNIST数据库的序列，证明了其作为深度学习架构的可组合构建模块的潜力。 AI

影响 这项研究展示了一种从原始视觉输入构建可解释认知图的新方法，可能推动基于代理的AI系统的发展。

排序理由 这是一篇详细介绍新算法及其实现的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的可微分CSCG算法支持从图像端到端学习认知图

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Arash Nikzad, Sasan Sarbishegi, Ali Dasmeh, Muhammad Asif, Parsa Gharavi, Erik Husom, Sagar Sen, Andrew B. Lehr, Olivier Penacchio, Ana Clemente, Tristan M. St\"ober ·

    用于从图像序列端到端学习认知图谱的可微分克隆结构因果图

    arXiv:2607.12382v1 Announce Type: new Abstract: How can an agent build a structured map of its world from nothing but an ongoing sequence of raw sensory input and its own movements, especially when natural variation means exact sensory patterns rarely repeat? The Clone-Structured…

  2. arXiv cs.LG TIER_1 English(EN) · Tristan M. Stöber ·

    用于从图像序列端到端学习认知图的可微分克隆结构因果图

    How can an agent build a structured map of its world from nothing but an ongoing sequence of raw sensory input and its own movements, especially when natural variation means exact sensory patterns rarely repeat? The Clone-Structured Causal Graph algorithm (CSCG), a normative hipp…

相关实体

相关话题