Семинар RI: Макс Симховиц: генеративное управление, сегментирование действий и парадокс Моравека. скачать в хорошем качестве

Семинар RI: Макс Симховиц: генеративное управление, сегментирование действий и парадокс Моравека.

https://www.ri.cmu.edu/event/generati... Макс Симховиц Кафедра машинного обучения, Институт робототехники Университет Карнеги-Меллона 13 марта 2026 г. Генеративный контроль, сегментирование действий и парадокс Моравека Аннотация: Парадокс Моравека указывает на то, что системы ИИ испытывают гораздо большие трудности с обучением физическим действиям, чем с символическим рассуждением. Тем не менее, совсем недавно наблюдался колоссальный рост возможностей роботизированных систем, управляемых ИИ, что напоминает ранние улучшения в возможностях языкового моделирования несколько лет назад. В этом докладе мы представим математические доказательства того, что обучение в условиях непрерывного управления, таких как робототехника, может быть экспоненциально сложнее, чем в дискретных условиях, таких как язык, если не будут приняты определенные ключевые решения в области алгоритмического проектирования — по сути, математическое доказательство утверждения Моравека. Затем мы покажем, что два ключевых нововведения в современном обучении роботов — сегментирование действий и использование генеративных моделей, таких как диффузионные модели, для параметризации действий роботов — можно интерпретировать как прямое смягчение механизмов, лежащих в основе этой сложности. Наша точка зрения противоречит многим популярным обоснованиям этих двух методов, таким как учет многомодальности, присутствующей в обучающих данных разного качества. Наконец, если позволит время, мы опишем новое семейство вмешательств на уровне оптимизации глубокого обучения, которые предоставляют еще один рычаг для решения тех же проблем. Биография: Макс Симховиц — доцент кафедры машинного обучения в Университете Карнеги-Меллона, а также приглашенный специалист в Институте робототехники. В своих работах он изучает теоретические основы и новые методологии для задач машинного обучения с интерактивным, последовательным или динамическим компонентом, в настоящее время фокусируясь на обучении с подкреплением и его применении в робототехнике. Его предыдущие работы охватывают широкий спектр областей, включая управление, теоретическое обучение с подкреплением, оптимизацию и алгоритмическую справедливость. Он получил докторскую степень в Калифорнийском университете в Беркли в 2021 году под руководством Бена Рехта и Майкла И. Джордана, а также завершил постдокторские исследования под руководством Расса Тедрейка в группе робототехники в Массачусетском технологическом институте. Его работа была отмечена премией ICML 2018 за лучшую статью, премией ICML 2022 за выдающуюся статью, а также включением в число финалистов премий RSS 2023 и ICRA 2024 за лучшую статью.