最新《模仿学习(Imitation Learning》进展报告, 加州理工Yisong Yue教授，附下载

【导读】Imitation Learning（模仿学习）机器学习新的研究热点之一，因其能很好的解决强化学习中的多步决策（sequential decision）问题，近段时间得到了广泛关注。那么模仿学习近期的前沿进展如何呢，来自加州理工大学的Yisong Yue在DAI'20 Workshop，做了名为《Towards Real-World Imitation Learning: Animation, Sports Analytics, Robotics, and More讲座。新鲜出炉的PPT，一起来看看吧。

简介：

随着时空跟踪和传感数据的不断增长，现在人们可以在大范围内分析和建模细粒度行为。例如，收集每一场NBA篮球比赛的跟踪数据，包括球员、裁判和以25hz频率跟踪的球，以及带注释的比赛事件，如传球、投篮和犯规。其他设置包括实验室动物、公共空间中的人、手术室等设置中的专业人员、演员的演讲和表演、虚拟环境中的数字化身、自然现象(如空气动力学)，甚至其他计算系统的行为。

在这次演讲中，我将描述正在进行的研究，即开发结构化模仿学习方法来开发细粒度行为的预测模型。模仿学习是机器学习的一个分支，研究模仿动态演示行为。结构化模仿学习涉及到使用数学上严格的领域知识，这些知识可以(有时是可以证明的)加速学习，还可以提供附加的好处(如Lyapunov稳定性或策略行为的可解释性)。我将提供基本问题设置的高级概述，以及在动物建模、专业运动、语音动画等项目。