Apr, 2024
利用层次时间抽象的学习世界模型：概率的视角
Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective
Vaisakh Shaj
TL;DR使用类型 2 推理能力的模拟人类智能的机器应该能够使用内部世界模型在多个层次的时空抽象和尺度上进行推理。本论文旨在解决人工智能和机器学习领域中存在的内部世界模型研究挑战，并提出了两种新的概率形式化方法，即隐藏参数状态空间模型和多时间尺度状态空间模型，以解决传统状态空间模型的局限性。这些概率形式化方法能够开发可扩展、自适应的分层世界模型，能够表示多个时间抽象和尺度上的非平稳动力学，并结合了世界状态的不确定性概念，从而提高系统模拟现实世界的随机性和预测结果的置信度。论文还讨论了这些形式化方法与贝叶斯大脑假设和预测处理的相关神经科学文献的一致性。我们对各种真实和模拟机器人的实验表明，我们的形式化方法在长期未来预测方面的性能与当代变压器变种相匹配，并在许多情况下超越其性能。最后，我们对当前模型的局限性进行了总结，并提出了未来研究的方向。