هوش مصنوعی
مدل جهان سلسله‌مراتبی ID-WM می‌کوشد خطاهای برنامه‌ریزی بلندمدت عامل‌های تجسم‌یافته را کاهش دهد
پیش‌چاپی در arXiv چارچوبی معرفی می‌کند که انتخاب گذارهای شدنی در فضای حالت را از تبدیل آن‌ها به کنش‌های دقیق جدا می‌سازد.
برنامه‌ریزی با مدل‌های جهان می‌تواند به عامل‌های تجسم‌یافته امکان سازگاری هنگام اجرا بدهد و در تعمیم‌پذیری از یادگیری مستقیم سیاست بهتر عمل کند؛ اما در وظایف بلندمدت، انباشته‌شدن خطاها و پیچیدگی جست‌وجو همچنان مانع است. به‌گفتهٔ نویسندگان پیش‌چاپی در arXiv، روش‌های سلسله‌مراتبی موجود اغلب به کنش‌های کلانِ ثابت یا مهارت‌های نهفته متکی‌اند و در نتیجه ممکن است بازنمایی‌های شکننده و کنترل کم‌جزئیاتی ایجاد کنند.
پژوهشگران ID-WM، مخفف Implicit Dynamics World Models، را معرفی می‌کنند؛ مدلی سلسله‌مراتبی که دسترس‌پذیری در فضای حالت را از کنترل محلی جدا می‌کند. در این چارچوب، مدل سطح بالا گذارهای شدنی را در فضای حالت نمونه‌گیری می‌کند و مدل جهان سطح پایین، با ایفای نقش حل‌گر دینامیک معکوس، آن گذارها را به کنش‌های دقیق تبدیل می‌کند. متن در دسترس از چکیده در میانهٔ توضیح چارچوب پایان می‌یابد و نتیجه‌های آزمایشی یا جزئیات ارزیابی را ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده