在无情游戏上学习局部前向模型
人工智能
2019-09-04 v1
摘要
本文考察基于局部单元转移函数的前向模型学习方法。我们给出局部前向模型的正式定义，并针对其提出两种基本学习方法。我们的分析基于推箱子游戏（Sokoban），其中错误动作可能导致不可解的游戏状态。因此，准确预测某动作所产生状态对于避免此情形是必要的。与学习完整状态转移函数不同，局部前向模型允许从单次状态转移中提取多个训练样本。以此方式，哈希集模型与决策树模型均快速学会预测训练集与测试集上的后续状态转移。将模型应用于统计前向规划器表明，即便在测试关卡尚未见过的情况下，最佳模型也能在令人满意的程度下被使用。我们的评估包含对各种局部邻域模式与尺寸的分析，以测试学习器在提取属性过少或过多时的能力，其中后者已显示出会降低模型学习器的性能。
引用
@article{arxiv.1909.00442,
title = {Learning Local Forward Models on Unforgiving Games},
author = {Alexander Dockhorn and Simon M. Lucas and Vanessa Volz and Ivan Bravi and Raluca D. Gaina and Diego Perez-Liebana},
journal= {arXiv preprint arXiv:1909.00442},
year = {2019}
}
备注
4 pages, 3 figures, 3 tables, accepted at IEEE COG 2019