跨模态注意力技能学习器
人工智能
2018-05-23 v3
摘要
本文提出跨模态注意力技能学习器（CASL），其与近期提出的异步优势选项评论家（A2OC）架构[Harb et al., 2017]相集成，以实现跨多种感官输入的层次化强化学习。我们给出了具体示例，表明该方法不仅在单一任务中提升性能，还加速向新任务的迁移。我们证明该注意力机制能够预期并识别有用的潜在特征，同时在执行过程中过滤无关的传感器模态。我们修改了Arcade学习环境[Bellemare et al., 2013]以支持音频查询，并在Atari 2600游戏Amidar中进行了跨模态学习的评估。最后，基于Babaeizadeh等人[2017]的近期工作，我们开源了CASL的快速CPU-GPU混合实现。
引用
@article{arxiv.1711.10314,
title = {Crossmodal Attentive Skill Learner},
author = {Shayegan Omidshafiei and Dong-Ki Kim and Jason Pazis and Jonathan P. How},
journal= {arXiv preprint arXiv:1711.10314},
year = {2018}
}
备注
International Conference on Autonomous Agents and Multiagent Systems (AAMAS) 2018, NIPS 2017 Deep Reinforcement Learning Symposium