MARC

 008250123s2024        us                              c    eng  d
■001000017163536
■00520250211152721
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384448105
■035    ▼a(MiAaPQ)AAI31489675
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aYang,  Sherry.
■24510▼aFoundation  Models  for  Decision  Making:  Algorithms,  Frameworks,  and  Applications
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a286  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  A.
■500    ▼aAdvisor:  Abbeel,  Pieter.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aAlphaGo  and  ChatGPT  are  perhaps  two  most  significant  breakthroughs  in  artificial  intelligence  in  the  past  decade.  These  technologies  were  empowered  by  research  in  sequential  decision  making  (e.g.,  planning,  search,  and  reinforcement  learning)  and  foundation  models  (e.g.,  language  and  video  generation  model  trained  on  internet  data).  This  thesis  proposes  new  techniques,  algorithms,  and  frameworks  of  leveraging  foundation  models  with  broad  knowledge  in  the  context  of  real-world  decision  making  tasks,  impacting  applications  such  as  building  dialogue  agent,  controlling  robots,  and  making  scientific  discoveries.  This  thesis  starts  with  traditional  decision  making  in  offline  settings  and  progressively  incorporating  broader,  internet-scale  data  through  representation  learning  and  generative  modeling.  Emphasis  is  placed  on  both  theoretical  foundations  and  practical  implications.  Key  contributions  of  this  thesis  include  algorithmic  advancements  of  offline  reinforcement  learning,  improved  representation  learning  for  decision  making,  novel  generative  modeling  techniques  as  an  alternative  to  reinforcement  learning,  and  generative  agents  and  generative  simulators  at  internet  scale,  all  aimed  at  equipping  foundation  models  with  enhanced  decision-making  capabilities  and  vice  versa.  Through  extensive  empirical  and  theoretical  analysis,  this  thesis  demonstrates  that  foundation  models,  when  properly  leveraged,  can  significantly  improve  decision-making  tasks.  The  findings  offer  new  directions  for  integrating  machine  learning  models  with  real-world  applications,  paving  the  way  for  more  intelligent,  adaptable,  and  efficient  systems.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  science
■650  4▼aInformation  science
■653    ▼aFoundation  models
■653    ▼aMachine  learning
■653    ▼aReinforcement  learning
■653    ▼aChatGPT
■653    ▼aAlphaGo
■690    ▼a0800
■690    ▼a0984
■690    ▼a0723
■71020▼aUniversity  of  California,  Berkeley▼bElectrical  Engineering  &  Computer  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-04A.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163536▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books