Jan, 2019

开放式双向拓荒者（POET）：不断生成日益复杂和多样化的学习环境及其解决方案

PDF
TL;DR本文介绍了 Paired Open-Ended Trailblazer (POET) 算法，它同时探索了可能问题和解决方案的多个不同路径，允许这些解决方案在不同问题之间传输，从而促进创新，并提出通过这种算法可以不断创造新的复杂能力且能在不同领域产生启示性作用。
发现论文，激发创造
  • 加强版 POET: 通过无限创造学习挑战及其解决方案进行无限制强化学习

    本研究介绍了四项创新，通过改进 Paired Open-Ended Trailblazer 算法本身和外部创新，实现了迄今为止最开放的算法演示。增强版 POET 产生了解决广泛环境挑战的复杂行为，其中许多不能通过其他手段解决。

    Mar, 2020

  • 学习复杂运动技能的开放式学习策略

    本文提出了一种 Enhanced Paired Open-Ended Trailblazer (ePOET) 和 Soft Actor-Critic 策略相结合的方法 (ePOET-SAC)，用于教授机器人在复杂三维环境下高效行走的复杂技能。实验结果表明，该方法可以成功地学习机器人在不同复杂地形上的运动技能。

    Jun, 2022

  • 开放式学习的增强拓扑智能体

    本文提出了一种名为 ATEP 的增强型拓扑 EPOET 算法来同时进化越来越具有挑战性的环境和智能体的控制器结构，并证明这种方法相比于固定神经网络结构的基线算法具有更强的泛化性能，同时采用基于物种的转移机制有利于进一步提升智能体的表现和泛化能力。

    Oct, 2022

  • 开放式学习导致通用能力的代理

    本文介绍了一种基于多智能体、开放式学习的方法，其能够使得智能体在一种包含大量挑战、跨越多个任务、更广泛的行为通用化领域中表现出非凡的学习能力。通过在环境中建立一个任务的宇宙，我们的训练代理能够跨越更广泛的任务领域，这个领域自然多智能体，涉及合作竞争等多种类型的游戏，而这一领域的挑战对于智能体来说多种多样，因此，我们提出了一种迭代方法来改进代理的效果，而不是试图最大化一个单一目标。最终，我们证明了这种代理的通用能力，可以通过简单的微调实现更大规模的行为传递。

    Jul, 2021

  • 目标条件智能体开放式学习问题定义

    开放式学习是一个复合概念，其核心特性是在无限时间内不断产生新元素，并以开放式目标条件下的强化学习问题为重点研究领域。该研究旨在定义开放式学习的基本属性，并探讨其与相关概念的区别与联系，以填补目前在发展性人工智能研究中的知识空白。

    Nov, 2023

  • OMNI-EPIC: 通过编程环境中的人类有趣观念模型实现的开放性

    本研究介绍了一种新颖的框架 OMNI-EPIC，通过在人类有趣概念模型（OMNI）中加入编程环境（EPIC），使用基础模型自动生成学习任务的代码和环境，从而创造各种可学习和有趣的环境，进一步推动自我进化的 AI 系统和 AI 生成算法的发展。

    May, 2024

  • 突现演化课程中的转移动力学

    PINSKY 是一种基于神经进化的系统，用于在基于游戏的域中进行开放式学习。它通过 POET 系统在 GVGAI 系统中探索学习和环境生成，可以共同进化关卡和神经网络策略，发现通过优化无法创建成功策略的关卡，并分析转移政策的作用和影响。

    Mar, 2022

  • 像编程执行器一样推理

    本文提出了 POET，一种新颖的推理预训练范式，使用程序及其执行结果对语言模型进行预训练，可以显著提高自然语言推理的模型性能，包括数字推理、逻辑推理和多跳推理。

    Jan, 2022

  • 朝自由度开放的任务解决

    通过引入 "Diffusion for Open-ended Goals"（DOG）框架来提升具有人工智能的体验智能体（如机器人）的能力，以处理未预见的多方面、动态的、缺乏明确定义的的开放式任务目标，并展示了 DOG 在迷宫导航和机器人控制问题中处理未见过的任务目标的能力，以增强体验智能体在处理开放式目标时的适应性和能力。

    Dec, 2023

  • OMNI：基于人类有趣概念模型的开放性问题解决方案

    利用基于语言模型的有趣性模型（MoI）改进无止境机器学习，集中于可学习且有趣的任务，实现自我优化和自我生成算法。

    Jun, 2023