Autoregressive Dynamics Models for Offline Policy Evaluation and\n Optimization
Notice bibliographique
Résumé
Standard dynamics models for continuous control make use of feedforward\ncomputation to predict the conditional distribution of next state and reward\ngiven current state and action using a multivariate Gaussian with a diagonal\ncovariance structure. This modeling choice assumes that different dimensions of\nthe next state and reward are conditionally independent given the current state\nand action and may be driven by the fact that fully observable physics-based\nsimulation environments entail deterministic transition dynamics. In this\npaper, we challenge this conditional independence assumption and propose a\nfamily of expressive autoregressive dynamics models that generate different\ndimensions of the next state and reward sequentially conditioned on previous\ndimensions. We demonstrate that autoregressive dynamics models indeed\noutperform standard feedforward models in log-likelihood on heldout\ntransitions. Furthermore, we compare different model-based and model-free\noff-policy evaluation (OPE) methods on RL Unplugged, a suite of offline MuJoCo\ndatasets, and find that autoregressive dynamics models consistently outperform\nall baselines, achieving a new state-of-the-art. Finally, we show that\nautoregressive dynamics models are useful for offline policy optimization by\nserving as a way to enrich the replay buffer through data augmentation and\nimproving performance using model-based planning.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».