解耦的可控与不可控特征
机器学习
2024-01-04 v2 人工智能
摘要
在具有高维状态的 MDP（马尔可夫决策过程）背景下，下游任务主要应用于原始输入空间的压缩低维表示。因此，各种学习目标已被用于获得有用的表示。然而，这些表示通常缺乏对不同特征的可解释性。我们提出了一种新方法，能够将潜在特征解耦为可控与不可控两个部分。我们说明了所得到的划分表示在三类环境中易于解释，并展示在程序化生成的迷宫环境分布中，可以在隔离的可控潜在分区中可解释地采用规划算法。
引用
@article{arxiv.2211.00086,
title = {Disentangled (Un)Controllable Features},
author = {Jacob E. Kooi and Mark Hoogendoorn and Vincent François-Lavet},
journal= {arXiv preprint arXiv:2211.00086},
year = {2024}
}
备注
14 pages (8 main paper pages), 15 figures