計算的に埋め込まれた視点からの継続学習

本論文は、エージェントを普遍的なコンピュータ内に計算的に埋め込まれたオートマトンとして捉えることで、継続学習に関する新しい視点を導入しています。このアプローチは、特に「ビッグワールド仮説」の文脈において、継続学習の課題を理解し、対処するための新しい方法を提供します。論文の強みは、埋め込みエージェントと部分観測マルコフ決定過程との関連性を確立する理論的基盤にあります。提案された「インタラクティビティ」目標とモデルベースの強化学習アルゴリズムは、継続学習能力を評価および改善するための具体的なフレームワークを提供します。深層線形ネットワークと非線形ネットワークの比較は、持続的なインタラクティビティに対するモデル容量の影響に関する貴重な洞察を提供します。

• •エージェントを普遍的なコンピュータ内に埋め込むことで、継続学習に関する新しい視点を提案。
• •エージェントが適応する能力を測定するための「インタラクティビティ」目標を導入。
• •インタラクティビティを追求するためのモデルベースの強化学習アルゴリズムを開発。
• •容量が増加するにつれて、深層線形ネットワークは深層非線形ネットワークよりも高いインタラクティビティを維持することを発見。