概率化梦境：用于世界模型的概率性构想
机器学习
2026-03-06 v1 人工智能
摘要
“梦境”使智能体能够从想象的经验中学习，从而实现更稳健、更高效的世界模型学习。本文通过概率方法对当前最先进的Dreamer模型进行创新，实现：(1)并行探索多个潜在状态；(2)在保持连续潜在变量优异梯度特性的同时，维持对互斥未来的独立假设。我们在MPE SimpleTag领域上进行评估，本方法相较于标准Dreamer在得分上提升4.5%，且在episode回报方差降低28%。我们也讨论了局限性与未来方向，包括最优超参数（如粒子数K）如何随环境复杂度而扩展，以及如何在世界模型中捕获认识不确定性的方法。
引用
@article{arxiv.2603.04715,
title = {Probabilistic Dreaming for World Models},
author = {Gavin Wong},
journal= {arXiv preprint arXiv:2603.04715},
year = {2026}
}
备注
Presented at ICLR 2026: 2nd Workshop on World Models