Multi-step prediction in linearized latent state spaces for representation learning

Скорочена інформація про документ
dc.contributor.authorTytarenko, A.
dc.date.accessioned2023-05-01T14:12:33Z
dc.date.available2023-05-01T14:12:33Z
dc.date.issued2022
dc.description.abstractIn this paper, we derive a novel method as a generalization over LCEs such as E2C. The method develops the idea of learning a locally linear state space by adding a multi-step prediction, thus allowing for more explicit control over the curvature. We show that the method outperforms E2C without drastic model changes which come with other works, such as PCC and P3C. We discuss the relation between E2C and the presented method and derive update equations. We provide empirical evidence, which suggests that by considering the multi-step prediction, our method – ms-E2C – allows learning much better latent state spaces in terms of curvature and next state predictability. Finally, we also discuss certain stability challenges we encounter with multi-step predictions and how to mitigate them.uk
dc.description.abstractotherЗапропоновано новий метод, що узагальнює підходи LCE, такі як E2C. Метод розвиває ідею вивчення локально-лінійного простору станів шляхом розглядання багатокрокового прогнозування, що дає змогу чіткіше контролювати кривизну шуканого простору. Продемонстровано, що метод перевершує E2C без суттєвих змін загальної моделі, на відміну від інших робіт, таких як PCC і P3C. Розглянуто зв’язок між E2C і запропонованим методом та між їх відповідними рівняннями оновлень. Подано емпіричні докази, які свідчать, що ms-E2C дозволяє набагато краще вивчати простори прихованих станів з точки зору кривизни та прогнозованості наступних станів. Крім того, висвітлено певні проблеми стабільності, пов’язані з багатокроковими прогнозами, та способи їх вирішення.uk
dc.format.pagerangeС. 139-148uk
dc.identifier.citationTytarenko, A. Multi-step prediction in linearized latent state spaces for representation learning / A. Tytarenko // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2022. – № 3. – С. 139-148. – Бібліогр.: 18 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2022.3.09
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/55156
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 3uk
dc.subjectrepresentation learninguk
dc.subjectlearning controllable embeddinguk
dc.subjectreinforcement learninguk
dc.subjectlatent state spaceuk
dc.subjectнавчання репрезентаційuk
dc.subjectнавчання керованих просторівuk
dc.subjectнавчання з підкріпленнямuk
dc.subjectлатентний простір станівuk
dc.subject.udc004.852uk
dc.titleMulti-step prediction in linearized latent state spaces for representation learninguk
dc.title.alternativeБагатокрокове прогнозування в лінеаризованих латентних просторах для навчання репрезинтаційuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2022_3_139-148.pdf
Розмір:
322.33 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 3