タグ: 世界モデル

専門家の成功デモだけで学習した行動条件付き世界モデルは、指示された行動を無視しがちです。論文は、データの行動影響が低いことが原因だと分析し、データの条件付き相互情報量がモデルの制御性の上限を与えることを示します。そこでAIMは、行動の結果を識別しやすい遷移を能動収集する内在的報酬を用います。