Learning a peripersonal space representation using Conditional Restricted Boltzmann Machine

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F19%3A00336244" target="_blank" >RIV/68407700:21230/19:00336244 - isvavai.cz</a>

Výsledek na webu

<a href="http://cogsci.fmph.uniba.sk/kuz2019/files/zbornik/straka-hoffmann.pdf" target="_blank" >http://cogsci.fmph.uniba.sk/kuz2019/files/zbornik/straka-hoffmann.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Learning a peripersonal space representation using Conditional Restricted Boltzmann Machine

Popis výsledku v původním jazyce

We present a neural network learning architecture composed of a Restricted Boltzmann Machine (RBM) and a Conditional RBM (CRBM) that performs multisen- sory integration and prediction, motivated by the problem of learning a representation of defensive peripersonal space. This work follows up on our previous work (Straka and Hoffmann 2017) where we proposed a network composed of a RBM and a feedforward neural network (FFNN). In this work, with a similar 2D simulated scenario, we sought to replace the FFNN with an RBM-like module and opted for the CRBM which is responsible for making a temporal prediction. We demonstrate that the new architecture is capable of learning to map from visual and tactile inputs at a previous time step (without tactile activation) to future activations with the visual stimulus at the “skin” and corresponding tactile activation, including the confidence of the predictions.

Název v anglickém jazyce

Learning a peripersonal space representation using Conditional Restricted Boltzmann Machine

Popis výsledku anglicky

We present a neural network learning architecture composed of a Restricted Boltzmann Machine (RBM) and a Conditional RBM (CRBM) that performs multisen- sory integration and prediction, motivated by the problem of learning a representation of defensive peripersonal space. This work follows up on our previous work (Straka and Hoffmann 2017) where we proposed a network composed of a RBM and a feedforward neural network (FFNN). In this work, with a similar 2D simulated scenario, we sought to replace the FFNN with an RBM-like module and opted for the CRBM which is responsible for making a temporal prediction. We demonstrate that the new architecture is capable of learning to map from visual and tactile inputs at a previous time step (without tactile activation) to future activations with the visual stimulus at the “skin” and corresponding tactile activation, including the confidence of the predictions.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GJ17-15697Y" target="_blank" >GJ17-15697Y: Automatická kalibrace robotů a bezpečná fyzická interakce s člověkem inspirovaná reprezentacemi těla v mozku primátů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Kognícia a umelý život 2019

ISBN

978-80-223-4720-4

ISSN

—

e-ISSN

—

Počet stran výsledku

2

Strana od-do

104-105

Název nakladatele

Univerzita Komenského v Bratislave

Místo vydání

—

Místo konání akce

Hotel Barónka, Bratislava

Datum konání akce

29. 5. 2019

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—