OpenAIが単一の人間デモでエージェントを訓練しMontezuma's Revengeで74500点を達成
原題:Learning Montezuma’s Revenge from a single demonstration
AI 要約
OpenAIが訓練したエージェントは、単一の人間によるデモだけを出発点としてMontezuma's Revengeで74500点という高得点を達成し、これまでに発表された最良の結果を上回った。アルゴリズムはデモから厳選した状態を起点に連続してゲームをプレイし、PPOでゲームスコアを最適化して学習する。PPOはOpenAI Fiveを支えたのと同じ強化学習アルゴリズムである。
要点
- OpenAIが訓練したエージェントは、単一の人間によるデモだけを出発点としてMontezuma's Revengeで74500点という高得点を達成し、これまでに発表された最良の結果を上回った。
- アルゴリズムはデモから厳選した状態を起点に連続してゲームをプレイし、PPOでゲームスコアを最適化して学習する。
- PPOはOpenAI Fiveを支えたのと同じ強化学習アルゴリズムである
概要
- 公開日時
- 更新日時
- カテゴリ
- 論文・研究
- AI スコア
- 66
おすすめの理由
原文说明从单条人类演示中选取起始状态再用 PPO 优化得分的算法思路,读者可以理解这一强化学习方法的可迁移做法。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:OpenAIが単一の人間デモでエージェントを訓練しMontezuma's Revengeで74500点を達成。2018年7月4日。https://new.nat6.net/ja/news/h6mlstx26g1p8egfntspy49mp/