MARC

 008250123s2024        us                              c    eng  d
■001000017162742
■00520250211152048
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342104876
■035    ▼a(MiAaPQ)AAI31345239
■035    ▼a(MiAaPQ)Purdue25668642
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a006
■1001  ▼aBonjour,  Trevor.
■24510▼aTowards  Novelty-Resilient  AI:  Learning  in  the  Open  World
■260    ▼a[Sl]▼bPurdue  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a102  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Bhargava,  Bharat.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aCurrent  artificial  intelligence  (AI)  systems  are  proficient  at  tasks  in  a  closed-world  setting  where  the  rules  are  often  rigid.  However,  in  real-world  applications,  the  environment  is  usually  open  and  dynamic.  In  this  work,  we  investigate  the  effects  of  such  dynamic  environments  on  AI  systems  and  develop  ways  to  mitigate  those  effects.  Central  to  our  exploration  is  the  concept  of  \extit{novelties}.  Novelties  encompass  structural  changes,  unanticipated  events,  and  environmental  shifts  that  can  confound  traditional  AI  systems.  We  categorize  novelties  based  on  their  representation,  anticipation,  and  impact  on  agents,  laying  the  groundwork  for  systematic  detection  and  adaptation  strategies.  We  explore  novelties  in  the  context  of  stochastic  games.  Decision-making  in  stochastic  games  exercises  many  aspects  of  the  same  reasoning  capabilities  needed  by  AI  agents  acting  in  the  real  world.  A  multi-agent  stochastic  game  allows  for  infinitely  many  ways  to  introduce  novelty.  We  propose  an  extension  of  the  deep  reinforcement  learning  (DRL)  paradigm  to  develop  agents  that  can  detect  and  adapt  to  novelties  in  these  environments.  To  address  the  sample  efficiency  challenge  in  DRL,  we  introduce  a  hybrid  approach  that  combines  fixed-policy  methods  with  traditional  DRL  techniques,  offering  enhanced  performance  in  complex  decision-making  tasks.  We  present  a  novel  method  for  detecting  anticipated  novelties  in  multi-agent  games,  leveraging  information  theory  to  discern  patterns  indicative  of  collusion  among  players.  Finally,  we  introduce  DABLER,  a  pioneering  deep  reinforcement  learning  architecture  that  dynamically  adapts  to  changing  environmental  conditions  through  broad  learning  approaches  and  environment  recognition.  Our  findings  underscore  the  importance  of  developing  AI  systems  equipped  to  navigate  the  uncertainties  of  the  open  world,  offering  promising  pathways  for  advancing  AI  research  and  application  in  real-world  settings.
■590    ▼aSchool  code:  0183.
■650  4▼aDeep  learning
■650  4▼aPandemics
■650  4▼aDecision  making
■650  4▼aAdaptation
■650  4▼aCoronaviruses
■650  4▼aGames
■650  4▼aMarkov  analysis
■650  4▼aCOVID-19
■650  4▼aEpidemiology
■650  4▼aVirology
■690    ▼a0800
■690    ▼a0766
■690    ▼a0796
■690    ▼a0720
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162742▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서