arXiv (Cornell University)· 2018· Ön baskı
Tekrarlayan Dünya Modelleri Politika Evrimini Kolaylaştırır
Recurrent World Models Facilitate Policy Evolution
- 411atıf
- 2018yıl
Kısa özet
Pekiştirmeli öğrenme (RL) ortamlarını modellemek üzere denetimsiz olarak eğitilmiş üretken bir tekrarlayan sinir ağı, evrim yoluyla eğitilen kompakt politikalar için çıkarılan özellikleriyle en gelişmiş sonuçları elde etti.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- RL ortamlarını modellemek için üretken bir tekrarlayan sinir ağının denetimsiz eğitimi.
- Dünya modelinden çıkarılan özellikler, evrim yoluyla kompakt politikaların eğitimini sağladı.
- Birden fazla RL ortamında en gelişmiş sonuçlar elde edildi.
- Üretilen bir dünya modeli içinde eğitilen politikaların gerçek ortama başarılı bir şekilde aktarılması gösterildi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
A generative recurrent neural network is quickly trained in an unsupervised manner to model popular reinforcement learning environments through compressed spatio-temporal representations. The world model's extracted features are fed into compact and simple policies trained by evolution, achieving state of the art results in various environments. We also train our agent entirely inside of an environment generated by its own internal world model, and transfer this policy back into the actual environment. Interactive version of paper at https://worldmodels.github.io
Yazarların özeti; kaynağından alınmıştır. arXiv (Cornell University), 2018 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Kalkınma
DevelopmentSocial Sciences