온라인 슬롯 계획을위한 학습 및 구조적 지식 결합
초록 :기계 학습은 다양한 실제 시나리오에서 작업을 수행 할 수있는 온라인 슬롯의 능력을 변화시키고 있지만 최첨단 학습 방법에는 광범위한 데이터와 계산 자원이 필요하므로 많은 커뮤니티에 대한 접근성을 제한합니다. 저의 작업은 기계 학습의 적응성과 고전적인 온라인 슬롯 공학 방법의 효율성과 신뢰성을 결합한 알고리즘 계획에 중점을 둡니다. 이 대화에서, 우리는 고전 온라인 슬롯 공학의 물리 기반 추론을 기계 학습 도구와 결합하기위한 개념적 모델을 구축하여 식물 급수와 같은 복잡한 시나리오의 계획을 가능하게 할 것입니다. 또한 우리가 사용할 수있는 부정확하거나 불완전한 예측 모델에도 불구하고 계획을 사용하여 실제 작업을 해결하기위한 전략을 탐색 할 것입니다. 이러한 아이디어가 다양한 상황에서 적응 문제 해결을 위해 서로를 준비 할 수있는 방법을 알려주는 방법에 대해 논의 할 것입니다.
Bio :Alex Lagrassa (그들/그들)는 Carnegie Mellon University의 Robotics Institute의 박사 후보자이며, 기계 학습을 고전적인 온라인 슬롯과 결합한 후 온라인 슬롯 기능을 확장함으로써 기계 학습을 결합한 연구 방법을 연구합니다. 그들은 온라인 슬롯에 지능을 장착하는 알고리즘을 개발하여 플랜트, 케이블 및 액체와 같은 도전 적이지만 일반적인 변형 가능한 물체를 조작하고 데이터 및 계산 자원에 대한 액세스가 제한되어 있습니다. Alex는 또한 포괄적 인 STEM 교육에 열정을 가지고 있으므로 모든 지역 사회는 기술 개발을 형성하는 데 기여합니다. 그들은 학생들이 학습 과정에 완전히 참여하고 독특한 관점을 제공하도록 초대하는 실습 온라인 슬롯 교육 기회를 설계하는 것을 좋아합니다.