文献

J-GLOBAL ID：202202253826189785   整理番号：22A0978875

目標駆動アタリ環境【JST・京大機械翻訳】

Goal-Driven Atari Environment

著者 (4件)： Kim Myeong Hyeon (KAIST,Department of Bio and Brain engineering,Daejeon,South Korea) ,  Kim Dongjae (New York University,Center for Neural Science,New York,USA) ,  Jo Eunsong (KAIST,School of Computing,Daejeon,South Korea) ,  Lee Sang Wan (KI institute for Health Science and TechnologyKAIST,Program of Brain and Cognitive engineering, KI institute for AI,Department of Bio and Brain engineering,Daejeon,South Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： BCI  ページ： 1-4  発行年： 2022年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近の研究では,人間戦略的意思決定がモデルベース(MB)とモデルフリー強化学習(MF)[1]の混合物によってよく説明され,この組合せに必要な情報はEEG信号[2]から解読できる。これらの知見は,BCIシステムが戦略的意思決定,計画,および目標指向学習のような高レベル認知プロセスに適応できるという期待を提起する。しかし,これらの実証は簡単なMarkov決定タスクに限られ,その適用性を著しく過小評価した。オープンソースベンチマークは様々な現実的シナリオを提供するが,それらの大部分はモデルベース学習を必要としない。この問題を解決するため,現実的な環境における目標駆動学習と戦略的意思決定の試験を可能にする新しいタスクパラダイムを提示した。本タスクは,オープンAIベースAtariゲーム環境に基づいて実行される。目標駆動学習を誘導することが知られている3つのタスク変数を操作した:目標条件,状態遷移不確実性,およびタスク複雑性。最後に,認知科学,機械学習,およびBCIにおける潜在的用途について議論する。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  ゲーム ,  不確実性 ,  適応性 ,  ソフトウェア ,  ベンチマーク ,  認知科学 ,  機械学習 ,  強化学習
準シソーラス用語： モデルベース ,  複雑性 ,  オープンソース ,  過小評価 ,  状態遷移 ,  脳波信号 ,  戦略的意思決定 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 目標 ,  環境