OpenAI latih ejen dengan satu demonstrasi manusia capai 74500 mata dalam Montezuma's Revenge
Tajuk asal:Learning Montezuma’s Revenge from a single demonstration
Ringkasan AI
Ejen yang dilatih OpenAI hanya bermula daripada satu demonstrasi manusia mencapai 74500 mata dalam Montezuma's Revenge, melebihi keputusan terbaik yang diterbitkan sebelum ini. Algoritma bermula daripada keadaan yang dipilih rapi dalam demonstrasi untuk bermain secara berterusan, menggunakan PPO untuk mengoptimumkan skor permainan, dan PPO juga merupakan algoritma pembelajaran pengukuhan yang sama menyokong OpenAI Five.
Maklumat penting
- Ejen yang dilatih OpenAI hanya bermula daripada satu demonstrasi manusia mencapai 74500 mata dalam…
- Algoritma bermula daripada keadaan yang dipilih rapi dalam demonstrasi untuk bermain secara…
- dan PPO juga merupakan algoritma pembelajaran pengukuhan yang sama menyokong OpenAI Five.
Sekilas pandang
- Diterbitkan pada
- Dikemas kini pada
- Sumber
- OpenAI:官网动态(RSS · 排除企业/客户案例)
- Kategori
- Kertas penyelidikan
- Skor AI
- 66
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。
Entiti Berkaitan
Sumber dan hak cipta
Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.
Cara memetik
Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.
Orange News: OpenAI latih ejen dengan satu demonstrasi manusia capai 74500 mata dalam Montezuma's Revenge. 4 Julai 2018. https://new.nat6.net/ms/news/h6mlstx26g1p8egfntspy49mp/