Toward Universal and Interpretable World Models for Open-ended Learning Agents

要約

オープンエンドの学習エージェントをサポートする、汎用的で構成的で解釈可能な生成世界モデルのクラスを導入します。
これは、広範囲の確率過程を近似できるベイジアン ネットワークの疎なクラスであり、解釈可能かつ計算的にスケーラブルな方法で世界モデルを学習する機能をエージェントに提供します。
ベイジアン構造学習と内発的動機付けによる (モデルベースの) 計画を統合するこのアプローチにより、エージェントは世界モデルを積極的に開発および洗練できるようになり、発達的な学習とより堅牢で適応的な行動につながる可能性があります。

要約(オリジナル)

We introduce a generic, compositional and interpretable class of generative world models that supports open-ended learning agents. This is a sparse class of Bayesian networks capable of approximating a broad range of stochastic processes, which provide agents with the ability to learn world models in a manner that may be both interpretable and computationally scalable. This approach integrating Bayesian structure learning and intrinsically motivated (model-based) planning enables agents to actively develop and refine their world models, which may lead to developmental learning and more robust, adaptive behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google