Sep, 2017

重新审视街机学习环境：通用智能体的评估协议和开放问题

PDF
TL;DR该文章探讨了 Arcade Learning Environment（ALE） 作为评估平台对研究社区的影响，并重点说明在该平台中评估代理时的一些核心问题。此外，该文章还提出了一些研究方法的最佳实践，并介绍了一个支持多种游戏模式的新版本 ALE，提供了一种被称为粘性操作的随机性。
发现论文，激发创造
  • Arcade Learning Environment：通用智能体评估平台

    该论文介绍了 Arcade Learning Environment（ALE），这是一个既是挑战问题又是平台和方法论，用于评估通用、域无关的人工智能技术的发展。ALE 提供了与数百种 Atari 2600 游戏环境的接口，每个环境都不同、有趣且旨在挑战人类玩家。ALE 为强化学习、模型学习、基于模型的规划、仿真学习、迁移学习和内在动机提供了重大的研究挑战，并提供了一个严格的测试平台，用于评估和比较这些问题的方法。

    Jul, 2012

  • Atari-5: 将街机学习环境精简到五个游戏

    本研究提出一种选择典型游戏子集的方法，将该方法应用于 Arcade Learning Environment 并成功地从 57 个游戏中选出一个仅包含 5 个游戏的子集（称为 Atari-5），该子集产生的分数估计准确率高并能很好地充分代表所有游戏的性能表现。同时，该研究还发现 ALE 中很多游戏之间存在高度相关性。

    Oct, 2022

  • MinAtar: 一个基于 Atari 的测试平台，用于进行彻底和可重现的强化学习实验

    MinAtar 是一个类 Atari 的环境，用于研究强化学习智能体中涉及行为挑战的问题，其简化了表示学习的问题并提供了更少的计算，以便研究人员能够更细致地研究行为挑战。

    Mar, 2019

  • 使用浅层强化学习技术控制 Atari 游戏的现状

    本文研究深度强化学习算法 DQN 在 Atari 2600 游戏中成功的关键，并提供一种通用的表示方法，以减轻对每个游戏进行表示学习的负担，并为未来 ALE 计算机学习领域提供了可复制和可比性的基准。

    Dec, 2015

  • 深度强化学习在 Atari 上真的超越人类了吗？平衡竞技场

    介绍了 SABER 工具以及 human world records baseline, 通过 SABER 对当前最先进的 Rainbow 项目进行了评估，通过将 Implicit Quantile Networks 添加到 Rainbow 中提出了 Rainbow-IQN 算法用于提高性能。

    Aug, 2019

  • 在复古学习环境中玩 SNES

    介绍了新的学习环境 RLE，它可以在多种游戏机上运行，并且兼容 Python 和 Torch。由于较高的复杂度和多样性，SNES 游戏给当前的算法带来了很大的挑战。

    Nov, 2016

  • Arena：多智能体智能评估平台和构建工具包

    介绍了一个名为 Arena 的多智能体通用评估平台，其中包含 35 个逻辑和表述多样的游戏，以及可视化的社会树和五种基本的多智能体奖励机制，为研究人员提供了一个易于发明和构建新的多智能体问题的建模工具包，还提供了五个最先进的深度多智能体强化学习基线的 Python 实现和一组我们可以使用不同的训练方案训练的每个游戏的 100 个最佳的代理 / 团队，作为评估群体表现的基础，以便研究人员可以在稳定和统一的标准下进行比较。

    May, 2019

  • HackAtari：强劲持续增强学习的 Atari 学习环境

    通过引入可控的新奇性，我们在 Atari Learning Environment 这一最常见的强化学习基准中提出了 HackAtari 框架，以增强强化学习算法的鲁棒性和行为一致性。

    Jun, 2024

  • 虚拟现实增强的 Atari 强化学习

    这篇论文研究了使用图像分割模型改善 Atari 视频游戏下强化学习代理性能的方法，结果表明当使用增强像素输入时，性能得到提升，这可以为 “虚拟增强现实视频游戏强化学习代理” 领域的更广泛研究提供指导。

    Oct, 2023

  • DQN 中的泛化和正则化

    本研究提出了一种在不同 Atari 2600 游戏模式下进行强化学习泛化评估的方法，并证明 DQN 存在过度训练环境的问题；通过适当运用 dropout 和正则化，以及优化表示来提高泛化能力，有效提升 DQN 的样本效率。

    Sep, 2018