前向模型学习的局部方法：在生命游戏上的结果
人工智能
2019-04-01 v1
摘要
本文研究了学习前向模型对统计前向规划智能体性能的影响。我们将康威生命游戏模拟转化为一个单人游戏，其目标可以是尽可能维持生命，或尽可能快地消灭所有生命。为学习游戏的前向模型，我们以新颖方式表述该问题：通过创建一组监督训练数据，并基于每个格点的当前状态与相邻格点预测网格中每个格点的下一状态，从而学习局部元胞转移函数。使用此方法，我们仅通过观察少数几次完整状态转移，利用查找表、决策树或神经网络，便能获取充足数据以学习完美的前向模型。相比之下，学习完整状态转移函数是一项困难得多的任务，而我们最初使用深度卷积自编码器进行此尝试未获成功。我们还研究了不完美学习模型对预测误差与游戏表现的影响，并表明即便具有显著误差的模型也能提供良好性能。
引用
@article{arxiv.1903.12508,
title = {A Local Approach to Forward Model Learning: Results on the Game of Life Game},
author = {Simon M. Lucas and Alexander Dockhorn and Vanessa Volz and Chris Bamford and Raluca D. Gaina and Ivan Bravi and Diego Perez-Liebana and Sanaz Mostaghim and Rudolf Kruse},
journal= {arXiv preprint arXiv:1903.12508},
year = {2019}
}
备注
Submitted to IEEE Conference on Games 2019