지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술대회자료
- 저자정보
- 발행연도
- 2022.11
- 수록면
- 222 - 226 (5page)
이용수
초록· 키워드
오류제보하기
This study proposes a new data augmentation technique for offline reinforcement learning (RL). Rather than randomly choosing data points to carry out the data augmentation, our methodology selectively chooses data from sparse subspaces of the dataset to effectively augment the data region that is insufficient in the original dataset. For the
augmentation, the subspaces of the dataset would be represented in the latent space created by the variational autoencoder (VAE). Data is then sampled from the latent space and converted back to the original space by using the decoder of the VAE so that the augmented data can be added to the original dataset. By using the VAE, virtual data that does not severely deviate from the original data could be generated because the VAE creates new data points by using the latent space that captures the original data distribution. We evaluate the performance of our methodology using several offline RL datasets generated from OpenAI Gym benchmark control simulations which mainly use state-based inputs.
augmentation, the subspaces of the dataset would be represented in the latent space created by the variational autoencoder (VAE). Data is then sampled from the latent space and converted back to the original space by using the decoder of the VAE so that the augmented data can be added to the original dataset. By using the VAE, virtual data that does not severely deviate from the original data could be generated because the VAE creates new data points by using the latent space that captures the original data distribution. We evaluate the performance of our methodology using several offline RL datasets generated from OpenAI Gym benchmark control simulations which mainly use state-based inputs.
목차
Abstract
1. INTRODUCTION
2. RELATED WORKS
3. PRELIMINARIES AND BACKGROUND
4. METHODOLOGY
5. EVALUATION OF THE PROPOSED METHOD
6. CONCLUSION
REFERENCES
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
위내시경 영상에서 위암 분류에 최적화된 데이터 증대방법 연구
전기학회논문지
2021 .12
-
Effect of Contrastive Loss on Latent Space of Variational Autoencoder
한국정보과학회 학술발표논문집
2021 .06
-
상호작용성 데이터 분포 학습 및 생성을 위한 VAE 모델 설계
한국정보과학회 학술발표논문집
2019 .12
-
Data Augmentation on Limited Biometric Data Set for M2M Authentication Model Testing
한국통신학회 학술대회논문집
2021 .06
-
Variational AutoEncoder 기반의 데이터 트랜드 분석을 사용한 센서 고장 탐지 및 예측 기법
대한전자공학회 학술대회
2022 .06
-
WGAN을 이용한 Data Augmentation 기법
대한전자공학회 학술대회
2017 .11
-
Data Augmentation and Deep Learning for the Fault Diagnosis of Rotating Machines
대한기계학회 춘추학술대회
2021 .11
-
벡터 양자화 증강 기법을 통한 적대적 견고 향상
대한전자공학회 학술대회
2023 .06
-
인공지능 기반의 미생물 균총과 질병과의 연관성 예측을 위한 Data Augmentation 방법론
전자공학회논문지
2021 .03
-
단백질-리간드 결합 친화력 예측을 위한 VAE기반 데이터 증강 기법
한국정보과학회 학술발표논문집
2022 .12
-
Music VAE 기반 latent space 를 활용한 조건부 음악 작곡 모델
한국통신학회 학술대회논문집
2023 .06
-
Sarcasm Detection in Twitter - Performance Impact While Using Data Augmentation: Word Embeddings
INTERNATIONAL JOURNAL of FUZZY LOGIC and INTELLIGENT SYSTEMS
2022 .12
-
시계열 데이터기반 실시간 상태 모니터링을 위한 βVAE-LSTM 모델
제어로봇시스템학회 국내학술대회 논문집
2023 .06
-
영상 내 물체 검출 및 분류를 위한 소규모 데이터 확장 기법
로봇학회 논문지
2020 .06
-
Variational-Auto-Encoder for tooth image generation
한국통신학회 학술대회논문집
2021 .06
-
Variational Auto Encoder와 비지도 학습을 이용한 사진 자동 분류 애플리케이션
대한전자공학회 학술대회
2023 .06
-
확산 모델 기반 데이터 증강 최신 연구 동향
대한전자공학회 학술대회
2024 .06
-
Variational Autoencoder와 Support Vector Data Description을 이용한 산업 데이터의 강건한 이상 탐지
대한전자공학회 학술대회
2024 .06
-
Automatic Data Augmentation by Upper Confidence Bounds for Deep Reinforcement Learning
제어로봇시스템학회 국제학술대회 논문집
2021 .10
-
VAE 생성 영상을 이용한 GAN의 학습 안정화 방법
한국정보통신학회 종합학술대회 논문집
2019 .10
이 논문의 저자 정보
이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0