이미지의 특징을 효과적으로 나타내고 논리 연산을 가능하게 하는 새로운 자기 지도 표현 학습 방법을 제안하며, 다치 논리를 사용하여 이미지의 각 특징 존재 여부를 나타내어 표현의 논리적 제어 가능성을 높입니다.
본 논문에서는 단일 궤적에서 외인성 블록 MDP의 제어 가능한 역학을 학습하는 최초의 증명 가능한 표본 효율적인 알고리즘인 STEEL을 제안합니다. STEEL은 제어 가능한 잠재 공간과 인코더 함수 클래스의 크기에만 의존하는 표본 복잡성을 가지며 외인성 노이즈 요인의 혼합 시간에 (최악의 경우 선형적으로) 의존합니다.
본 논문에서는 심층 정보 최대화(DIM) 기법에 잡음 주입을 통해 표현 분포를 특정 분포(예: 가우시안, 균등 분포)와 자동으로 매칭하는 새로운 표현 학습 방법을 제안합니다.
이 논문에서는 서로 다른 작업에서 수집한 데이터에서 공통 특징 표현을 학습하는 방법을 제안하며, 특히 데이터가 독립적이거나 등방성을 갖지 않아도 효과적으로 작동하는 알고리즘을 제시합니다.