論文・研究

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
出典
OpenAI:官网动态(RSS · 排除企业/客户案例)
カテゴリ
論文・研究
AI スコア
66
原文を読む 情報源で全文を読む
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。

原文記事 · AIHOT 記事

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/

すべて見る →