跳到正文
Hugging Face Daily Papers·· 9 天前AI 评分74

WM-PPO:通过评估未来状态提升世界模型下的动作学习能力

Learning to Act with World Models by Valuing What Comes Next

AI 导读

针对稀疏终端奖励导致信息缺失的问题,本文提出 WM-PPO 方法,利用训练于真实交互的世界模型预测动作后的观测,由价值网络对预测后继状态进行估值以指导策略优化。该方法在无需教师信号或特权信息的情况下,仅在推理阶段使用策略网络,在 ALFWorld 和 ScienceWorld 基准上将成功率分别从 63.5% 提升至 87.5%,从 39.3% 提升至 52.9%。

来源:Hugging Face Daily Papers · arxiv.org