그래프 월드 모델의 롤아웃 오류 이해
세계 모델(World models)은 학습된 동적 모델을 앞으로 이동하여 계획을 하는데 자주 사용됩니다. 그러나 많은 계획 환경은 벡터나 이미지만 아니라 agent, 도구, 기술, 경로 및 의존성의 그래프입니다. 이러한 환경에서 지역 예측 오류는 그래프 내에 머물거나 그래프 내에 퍼질 수 있으며, 에지의 예측이 고정된 것과 다르게 실패 모드가 다시 바뀝니다. 이 논문은 그래프 세계 모델(Graph World Models, GWMs)에서 긴 시간 범위의 롤아웃 오류를 연구합니다. 우리는 액션 노드에 대한 노드-, 에지-, 그래프-레벨 의사결정에 대한 고정된 에지와 동적 에지 GWM 프레임워크를 하나로 정의합니다. 우리는 그래프-값의 롤아웃 경계를 개발하여 토폴로지-유발 증폭과 모델-유발 증폭을 분리하고, 동적 에지 롤아웃에 대한 공동 노드-에지 연산자를 소개합니다. 분석을 따르면, 우리는 오류-인식 GWM을 제안합니다. 오류-인식 GWM은 스펙트럴 정규화, 롤아웃 일관성 및 중요 노드 중량을 결합합니다. 합성 토폴로지 및 다종의 agent-graph 테스트베드에서, 롤아웃 오류 및 계획 미안함은 시간 범위에 따라 증가하고, 구조가 발전할 때 동적 에지 훈련이 필요합니다. 오류-인식 GWM은 긴 시간 범위의 분열을 방지하면서 예측 정확성을 유지합니다. 실제 세계 그래프 벤치마크는 GWM의 범위를 명확히 합니다. GWM은 동적 그래프 롤아웃 및 agent 계획에 가장 유용하지만, 고정된 또는 희소한 예측 작업에 특화된 그래프 모델은 강력합니다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.