Promptの説明
図のタイトル: M=2 Co-teaching 時系列予測学習フレームワーク 全体のレイアウト: 図は左から右に配置され、4つの主要な段階を含む： 入力 → デュアルモデル並列予測 → 小損失サンプル選択 → クロスアップデート。 中央部分は、同一の構造を持つが独立したパラメータを持つ、2つの対称的なモデルブランチで構成される。 1. 入力モジュール (一番左): 入力ブロックを描画し、以下のようにラベル付けする： 時系列入力ウィンドウ ブロック内の説明: スライディングウィンドウを使用してサンプルを構築する。 入力長は 𝐿 、予測長は 𝐻 ブロック下のコメント: 入力シーケンスをクリーンに保つ。 教師ありノイズは予測ターゲットにのみ注入される。 この入力ブロックから、それぞれ上下のモデルブランチを指す2つの矢印を描画する。 2. デュアルモデル並列構造 (中央): 上下に配置された、サイズが同一の2つのモデルブロックを描画する： 上部モデル: モデル 𝑓 𝜃 1 下部モデル: モデル 𝑓 𝜃 2 モデルブロック内のコメント: 同じアーキテクチャ パラメータは互いに独立している 各モデルブロックは、入力モジュールから時系列ウィンドウを受け取る。 3. 並列予測と損失計算: 各モデルブロックから右に矢印を描画し、対応する予測出力ブロックに接続する： 上部予測ブロック: 予測出力 𝑌 ^ ( 1 ) 下部予測ブロック: 予測出力 𝑌 ^ ( 2 ) 各予測出力ブロックの下に、損失計算モジュールを描画する： モジュール名: ウィンドウレベル損失計算 モジュール内の説明: 予測ウィンドウ内のすべてのタイムステップにわたって誤差を集計する。 基本的な損失関数 (MSEやHuberなど) を使用する。 各サンプルのウィンドウレベル損失値を取得する。 4. 小損失サンプル選択: 各「ウィンドウレベル損失計算」モジュールから右に矢印を描画し、サンプル選択モジュールに接続する： 上部選択ブロック: 小損失サンプル選択 (上位 r%) 下部選択ブロック: 小損失サンプル選択 (上位 r%) モジュール内の説明: ウィンドウレベル損失に従ってサンプルをソートする。 損失が小さい上位 r% のサンプルを選択する。 それらの教師あり情報は比較的信頼できると見なす。 5. クロスサンプル交換メカニズム (キーとなる部分): 2つの「小損失サンプル選択」モジュール間にクロス矢印を描画する： 上部選択モジュールから下部モデルを指す。 下部選択モジュールから上部モデルを指す。 クロス矢印の横にラベル付けする： クロスアップデート テキストによる説明: 各モデルは、自身の選択したサンプルを更新に使用しない。 代わりに、他のモデルによって選択されたサンプルを使用して、パラメータを更新する。 ノイズの多いサンプルに対するモデルの自己強化を回避する。 6. パラメータ更新: クロス矢印を対応するモデルブロックに戻して接続する： モデル 𝑓 𝜃 1 : モデル 𝑓 𝜃 2 からのサンプルをパラメータ更新に使用する。
![あなたはトップレベルの学術会議（CVPR/ICRA）向けのプロの科学イラストレーターです。具体化された知能システムの「エピソード記憶書き込みプロセス」を示す、明確で高解像度の「データ処理パイプライン図」を作成してください。
レイアウトと流れ：左から右への直線的な水平レイアウトを採用し、矢印で接続された5つの主要な段階で構成します。
1. 段階1：生データ取得
アイコン：コードまたはテキスト行を含むターミナルウィンドウまたはログファイルのアイコン。
ラベル：Habitat-Lab Raw Logs
説明：シミュレーターからの生のインタラクションデータ出力を表します。
2. 段階2：データクリーニング
アイコン：漏斗または歯車のアイコン。
ラベル：Data Cleaning & Parsing
詳細：無効なデータの削除とフォーマットを示します。
3. 段階3：構造化されたカプセル化
アイコン：「(Obs, Action, Outcome)」という単語がかすかに見えるきちんとしたドキュメント用紙。
ラベル：Prompt Structuring
詳細：クレンジングされたデータを経験トリプレットにカプセル化することを表します。
4. 段階4：ベクトルエンコーディング
アイコン：テキストが数値行列に変換される模式図（例：ドキュメントがニューラルネットワークノードを通過し、数値のグリッド[0.1, 0.8...]になる）。
ラベル：Embedding Encoding
詳細：自然言語を高次元ベクトルに変換することを表します。
5. 段階5：データベースストレージ
アイコン：ベクトルグリッドパターンを持つ円筒形のデータベースアイコン。
ラベル：ChromaDB Vector Store
詳細：プロセスの終点。
ビジュアルスタイル：
スタイル：モダンな学術的なフラット2Dベクターアートスタイル。
配色：「アカデミックブルー」をプライマリカラー、「テックグレー」をセカンダリカラーとして使用し、一貫性を維持します。矢印の色は濃く、明確にする必要があります。
フォント：明確なサンセリフフォント（Arial/Helveticaスタイル）、黒または濃い灰色を使用します。
背景：純粋な白い背景。](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FUfvBGKD0YGX5OcBXzY3IQSo5YA3phloh%2Fdd103003-88b7-4b05-ba5c-3de35b8b102d%2F236b67f0-c53d-417c-af61-1da5617bb090.png&w=3840&q=75)
![あなたはトップレベルの学術会議（CVPR/ICRA）向けのプロの科学イラストレーターです。具体化された知能システムの「エピソード記憶書き込みプロセス」を示す、明確で高解像度の「データ処理パイプライン図」を作成してください。
レイアウトと流れ：矢印で接続された5つの主要な段階を含む、左から右への線形水平レイアウトを使用します。
1. 第一段階：生データ取得
アイコン：コードまたはテキスト行を含むターミナルウィンドウまたはログファイルのアイコン。
ラベル：Habitat-Lab Raw Logs
説明：シミュレーターからの生のインタラクションデータ出力を表します。
2. 第二段階：データクリーニング
アイコン：漏斗または歯車のアイコン。
ラベル：Data Cleaning & Parsing
詳細：無効なデータの削除とフォーマットを示します。
3. 第三段階：構造化されたカプセル化
アイコン：（Obs, Action, Outcome）という単語がかすかに見えるきちんとしたドキュメント。
ラベル：Prompt Structuring
詳細：クレンジングされたデータを経験トリプレットにカプセル化することを表します。
4. 第四段階：ベクトルエンコーディング
アイコン：テキストが数値行列に変換される図（例：ドキュメントがニューラルネットワークノードを通過し、数値のグリッド[0.1, 0.8...]になる）。
ラベル：Embedding Encoding
詳細：自然言語を高次元ベクトルに変換することを表します。
5. 第五段階：ストレージ
アイコン：ベクトルグリッドパターンを持つ円筒形のデータベースアイコン。
ラベル：ChromaDB Vector Store
詳細：プロセスの終わり。
ビジュアルスタイル：
スタイル：モダンな学術的なフラット2Dベクタースタイル（フラットベクターアート）。
配色：「アカデミックブルー」をプライマリカラー、「テックグレー」をセカンダリカラーとして使用し、一貫性を維持します。矢印の色は濃く、明確にする必要があります。
フォント：明確なサンセリフフォント（Arial/Helveticaスタイル）、黒または濃い灰色を使用します。
背景：純粋な白い背景。](/_next/image?url=https%3A%2F%2Fpub-8c0ddfa5c0454d40822bc9944fe6f303.r2.dev%2Fai-drawings%2FUfvBGKD0YGX5OcBXzY3IQSo5YA3phloh%2Fe459777b-47d2-496c-bed1-8bc917030392%2Fe3e97e66-ed0d-41cd-9ce2-25a3615dcd86.png&w=3840&q=75)