Embedded Universal Predictive Intelligence: a coherent framework for multi-agent learning
Created by
Haebom
Category
Empty
저자
Alexander Meulemans, Rajai Nasser, Maciej Wo{\l}czyk, Marissa A. Weis, Seijin Kobayashi, Blake Richards, Guillaume Lajoie, Angelika Steger, Marcus Hutter, James Manyika, Rif A. Saurous, Joao Sacramento, Blaise Aguera y Arcas
개요
본 논문은 모델 없는 강화 학습의 표준 이론이 환경 역학의 정지성과 에이전트의 분리를 가정한다는 문제점을 지적하며, 자기 예측에 기반한 전망적 학습과 내장형 에이전시를 위한 수학적 프레임워크를 제시합니다. 베이지안 RL 에이전트가 미래의 지각적 입력과 자신의 행동을 예측하며, 다중 에이전트 환경에서 이러한 자기 예측이 다른 에이전트에 대한 추론을 가능하게 하여 새로운 게임 이론적 해결 개념과 협력 형태를 이끌어냄을 보입니다. 또한, AIXI 이론을 확장하여, Solomonoff prior에서 시작하는 보편적으로 지능적인 내장형 에이전트가 일관된 상호 예측을 형성하고 무한 차수 마음 이론을 달성할 수 있음을 보여줍니다.
시사점, 한계점
•
시사점:
◦
자기 예측을 통한 전망적 학습 프레임워크 제시.
◦
다중 에이전트 환경에서 새로운 협력 형태 및 게임 이론적 해결 개념 가능성 제시.
◦
AIXI 이론 확장 및 보편적 지능 에이전트의 잠재력 제시.
◦
내장형 에이전트의 무한 차수 마음 이론 달성 가능성 제시.
•
한계점:
◦
AIXI 기반의 이론적 틀에 대한 구체적인 구현 및 실제 환경에서의 성능 검증 필요.
◦
솔로몬노프 사전 확률(Solomonoff prior)과 같은 이상화된 가정을 현실적인 문제에 적용하기 위한 추가 연구 필요.
