基于潜在功能模块化的自监督可解释端到端学习
机器学习
2024-06-06 v2 机器人学
摘要
我们引入了 MoNet，一种用于自监督和可解释端到端学习的全新功能模块化网络。通过利用其功能模块化以及潜在引导的对比损失函数，MoNet 能够在潜在空间中高效学习特定任务的决策过程，而无需任务级监督。此外，我们的方法结合了一种在线事后可解释性方法，该方法在不损害感觉运动控制性能的情况下增强了端到端推理的可解释性。在真实室内环境中，MoNet 展示了有效的视觉自主导航，在任务特异性分析中比基线模型高出 7% 至 28%。我们进一步通过对感知显著性图和潜在决策向量的事后分析，探索了网络的可解释性。这为将可解释人工智能融入机器人学习（涵盖感知和行为视角）提供了有价值的见解。补充材料可在 https://sites.google.com/view/monet-lgc 获取。
引用
@article{arxiv.2403.18947,
title = {Self-Supervised Interpretable End-to-End Learning via Latent Functional Modularity},
author = {Hyunki Seong and David Hyunchul Shim},
journal= {arXiv preprint arXiv:2403.18947},
year = {2024}
}
备注
12 pages, 9 figures. Accepted at ICML 2024. Camera-ready version