recurrent state space model
En modelklasse der kombinerer et tilbagevendende neuralt netværk med en tilstandsrummodel for at lære latente repræsentationer af sekventielle data og forudsige fremtidige tilstande.
Kort fortalt
En type model, der bruges til at forudsige, hvordan et system udvikler sig over tid, ved at lære en komprimeret repræsentation af fortiden og bruge den til at gætte fremtiden.
- Kategori
- arkitektur
- Niveau
- ekspert
Betydninger
1- 1
En model, der kombinerer et tilbagevendende neuralt netværk med en tilstandsrummodel til at lære latente dynamikker fra sekventielle observationer og forudsige fremtidige tilstande og observationer. Den består typisk af en deterministisk og en stokastisk del, hvilket muliggør robust læring af komplekse miljødynamikker.
- Recurrent State Space Model (RSSM) anvendes i Dreamer-algoritmen til at lære en latent dynamikmodel, der kan forudsige fremtidige tilstande baseret på tidligere handlinger. — Hafner et al., 2020
Hvornår bruges det
RSSM bruges primært inden for modelbaseret forstærkningslæring, f.eks. i Dreamer-algoritmen, til at opbygge en verdensmodel der kan simulere miljøet og planlægge handlinger.
Oprindelse
Begrebet blev introduceret af Danijar Hafner og kolleger i 2020 i artiklen 'Dream to Control: Learning Behaviors by Latent Imagination'.
Afledte ord
1Kilder
2- Dream to Control: Learning Behaviors by Latent Imagination (2020)
- Mastering Atari with Discrete World Models (2021)