Başlık: Hayat Boyu Öğrenme için Nörosembolik Gösterimler
Özet:
Bu tez, derin sinir mimarilerinin yüksek boyutlu vektörleri işleme avantajlarını klasik yapay zeka arama teknikleriyle birleştirerek, robot öğrenme için yeni bir çerçeve sunar. Bu çerçeve, robotun sürekli duyarga hareket verilerini ve sonlu varlıklardan oluşan alanları birleştirmek için tasarlanmıştır. Amaç, etkileşimler yoluyla toplanan çevre bilgilerini uygun bir sembolik forma dönüştürmek ve istenen bir duruma ulaşmak için bir arama ağacı oluşturmaktır. Çerçeve, darboğaz katmanında ikili etkinleştirmelerle bir kodlayıcı-dekoder tipi ağdan oluşur. Çevrenin durumu, bir nesne özellikleri kümesi olarak temsil edilir ve kodlayıcıya girdi olarak verilir. Çıktı, bir nesnenin sembolü olarak işlenen bir kesikli vektördür ve aksiyon vektörüyle birlikte dekodere verilir. Dekoder, ajanın yürütülen eylemden kaynaklanan etkiyi tahmin eder. Ağ eğitildikten sonra, sürekli olarak temsil edilen çevre tanımını sembolik vektörlere dönüştürebiliriz. Bu, bu semboller üzerinde tanımlanan çevredeki geçişleri tanımlayan kuralların oluşturulmasına olanak tanır. Bu kurallar, bir hedef durumu aramak için kullanılacak olan bağımsız planlayıcıların kullanılmasına izin veren planlama alanı tanım dili (PDDL) olarak çevrilebilir. Masada nesne manipülasyonu kurulumlarında yaptığımız deneyler, sistemin çevre sembollerini öğrenerek, istenen yükseklikte nesne kuleleri ve nesneler arasındaki ilişkileri modellemeyi gerektiren karmaşık nesne yapıları oluşturmasına olanak tanıyan uygun semboller öğrenebildiğini göstermektedir. Çerçeve, farklılaştırılabilir bloklarla inşa edildiği için, derin öğrenmedeki son gelişmelerin kolayca eklenmesini sağlar, bu da çeşitli yönlere genişletilebilir hale getirilmesini sağlar.
Danışman: Assoc. Prof. Emre Ugur
Eş Danışman: Prof. Erhan Oztop
Makaleler:
1. Ahmetoglu, A., Ugur, E., Asada, M., & Oztop, E. (2022). High-level features for resource economy and fast learning in skill transfer. Advanced Robotics, 36(5-6), 291-303.
2. Ahmetoglu, A., Seker, M. Y., Piater, J., Oztop, E., & Ugur, E. (2022). Deepsym: Deep symbol generation and rule learning for planning from unsupervised robot interaction. Journal of Artificial Intelligence Research, 75, 709-745.
3. Ahmetoglu, A., Celik, B., Oztop, E., & Ugur, E. (2024). Discovering Predictive Relational Object Symbols with Symbolic Attentive Layers. IEEE Robotics and Automation Letters.
Conferences:
1. Ahmetoglu, A., Öztop, E., & Uğur, E. (2023, July). Deep multi-object symbol learning with self-attention based predictors. In 2023 31st Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE. (IEEE Best Student Paper Award)
2. Ahmetoglu, A., Oztop, E., & Ugur, E. (2024). Symbolic Manipulation Planning with Discovered Object and Relational Predicates. arXiv preprint arXiv:2401.01123. (submitted to ICRA 2024)
3. Celik, B., Ahmetoglu, A., Ugur, E., & Oztop, E. (2023, November). Developmental Scaffolding with Large Language Models. In 2023 IEEE International Conference on Development and Learning (ICDL) (pp. 396-402). IEEE.
1. Ahmetoglu, A., Ugur, E., Asada, M., & Oztop, E. (2022). High-level features for resource economy and fast learning in skill transfer. Advanced Robotics, 36(5-6), 291-303.
2. Ahmetoglu, A., Seker, M. Y., Piater, J., Oztop, E., & Ugur, E. (2022). Deepsym: Deep symbol generation and rule learning for planning from unsupervised robot interaction. Journal of Artificial Intelligence Research, 75, 709-745.
3. Ahmetoglu, A., Celik, B., Oztop, E., & Ugur, E. (2024). Discovering Predictive Relational Object Symbols with Symbolic Attentive Layers. IEEE Robotics and Automation Letters.
Conferences:
1. Ahmetoglu, A., Öztop, E., & Uğur, E. (2023, July). Deep multi-object symbol learning with self-attention based predictors. In 2023 31st Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE. (IEEE Best Student Paper Award)
2. Ahmetoglu, A., Oztop, E., & Ugur, E. (2024). Symbolic Manipulation Planning with Discovered Object and Relational Predicates. arXiv preprint arXiv:2401.01123. (submitted to ICRA 2024)
3. Celik, B., Ahmetoglu, A., Ugur, E., & Oztop, E. (2023, November). Developmental Scaffolding with Large Language Models. In 2023 IEEE International Conference on Development and Learning (ICDL) (pp. 396-402). IEEE.
Organized Workshops:
1. RSS 2021 Workshop on Declarative and Neurosymbolic Representations in Robot Learning and Control (https://dnr-rob.github.io, online)
2. IROS 2022 Workshop on Lifelong Learning of High-level Cognitive and Reasoning Skills (https://lifelongrobotics.github.io , Kyoto, Japan)
2. IROS 2022 Workshop on Lifelong Learning of High-level Cognitive and Reasoning Skills (https://lifelongrobotics.
