Компьютерные науки > Машинное обучение [представлено 13 сентября 2026 года] Название: " Вы не нуждаетесь в тренировке: агентическая студия эвристического обучения для обеспечения распознавания человеческой активности PDF HTML (экспериментальное) резюме: Признание деятельности человека (HAR), как правило, представляет собой подготовку нейронных сетей на основе градиента. Студия агентского эвристического обучения (AHL) изучает взаимодополняющий взгляд, вдохновленный человеческим когнитивным обучением: люди учатся занятиям, вспоминая примеры, формируя правила и исправляя ошибки, а не наоборот. Этот предлагаемый инструмент обеспечивает применение AHL для HAR: причины, связанные с агентом в процессе обучения по сравнению с протоколами датчиков, предлагает осуществимую политику эвристики, регистрирует следы ремонта и экспортирует политику без LLM для развертывания. Мы сосредоточим внимание на семействе контрольных показателей HAR и поставим перед собой процесс от наблюдения за набором данных до экспорта, ориентированного на экспозицию. На 11 наборов данных HAR, оцененных на данный момент, политика AHL достигает высоких показателей эффективности и может быть реализована с учетом возможности проверки, редактирования и повторного воспроизведения \сноски {это https URL}. Загрузка ссылок и цитат... Библиографические и цитационно-инструментальные средства Библиографии (что такое Исследователь?) Подключенные документы (Что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite…
Тебе не нужно тренироваться: агентская эвристическая студия обучения для целей обеспечения признания человеческой деятельности
arXiv:2609.16065v1 Annualce Type: New Human Revision (HAR) обычно представляет собой обучение нейронных сетей на основе градиента. Студия агентского эвристического обучения (AHL) изучает взаимодополняющий взгляд, вдохновленный человеческим когнитивным обучением: люди учатся занятиям, вспоминая примеры, формируя правила и исправляя ошибки, а не наоборот. Этот предлагаемый инструмент обеспечивает применение AHL для HAR: причины, связанные с агентом в процессе обучения по сравнению с протоколами датчиков, предлагает осуществимую политику эвристики, регистрирует следы ремонта и экспортирует политику без LLM для развертывания. Мы сосредоточим внимание на семействе контрольных показателей HAR и поставим перед собой процесс от наблюдения за набором данных до экспорта, ориентированного на экспозицию. На 11 данных HAR, которые были оценены на данный момент, политика AHL достигает высоких показателей эффективности с точки зрения реализации политики и при этом остается проверяемой, корректируемой и поддающейся повторному воспроизведению сноской {https://github.com/zhaidle/ahl-ts-studio}.