AD3: 隐式动作是世界模型区分多样化视觉干扰物的关键

ICML 24 2024 41.7 method

TLDR

AD3利用干扰物隐式动作训练分离世界模型，提升多样化干扰下的视觉控制

评分理由

The paper introduces a novel method (IAG and AD3) to handle homogeneous distractors, which are often overlooked. Strengths include addressing a challenging problem and empirical validation. Weaknesses are the lack of real-world experiments and potential overfitting to simulated environments.

Read-first 评分解释

综合优先阅读分 41.7，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 26。

近期性 8%

75.1

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2024

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：评估

主题相关性 42%

37.1

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

候选论文

排序敏感性

稳定性：volatile；排名波动范围：238。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

world simulator

video world model

generative world model

interactive world model

深度分析

创新点

提出隐式动作生成器（IAG）来学习视觉干扰物的隐式动作
引入AD3算法，利用隐式动作训练分离的世界模型，以区分异质和同质干扰物
解决先前未探索的、与可控智能体高度相似的同质干扰物挑战

方法

本文提出隐式动作生成器（IAG）来推断视觉干扰物的隐式动作，然后使用AD3算法训练任务相关和任务无关组件的分离世界模型。智能体的策略在任务相关状态空间内进行优化。在包含异质和同质干扰物的多种视觉控制任务上进行评估，并与先前基于模型的方法进行比较。

关键结果

AD3在包含异质和同质干扰物的多种视觉控制任务上取得了优越性能。IAG学习的隐式动作不可或缺的作用得到了实验验证。

资源

论文