MARC

 008260126s2025        us                              c    eng  d
■001000017356816
■00520260202103041
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798293886746
■035    ▼a(MiAaPQ)AAI31847770
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aSobal,  Uladzislau.
■24510▼aFrom  Representation  Learning  to  Latent  Dynamics  and  Planning
■260    ▼a[Sl]▼bNew  York  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a166  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  LeCun,  Yann;Cho,  Kyunghyun.
■5021  ▼aThesis  (Ph.D.)--New  York  University,  2025.
■520    ▼aThe  field  of  artificial  intelligence  (AI)  aims  to  build  systems  that  can  act  intelligently  in  a  variety  of  settings.  To  make  decisions,  an  AI  agent  must  first  understand  the  context  of  the  problem  it  is  facing.  This  'understanding'  is  investigated  by  the  area  of  representation  learning.  Once  we  have  a  good  representation,  we  can  either  directly  train  the  system  to  output  the  correct  decision  using  reinforcement  learning  (RL),  or  we  can  train  a  dynamics  model  and  resort  to  planning.  While  the  first  approach  is  by  far  the  more  common  one  in  the  literature,  the  second  approach  is  under-explored.  In  this  thesis,  I  explore  that  gap  in  the  literature,  and  study  three  components  required  for  building  a  planning  agent:  representation  learning,  dynamics  learning,  and  planning.  I  first  present  a  representation  learning  method  called  X-CLR,  which  incorporates  cross  sample  similarities  to  learn  image  representations.  Then,  I  focus  on  dynamics  learning,  and  present  a  way  of  splitting  the  dynamics  to  model  the  agent  and  the  surroundings  separately  to  improve  planning  performance.  Additionally,  I  propose  a  method  for  learning  representations  and  dynamics  jointly  without  using  reconstruction  or  rewards.  Lastly,  I  show  that  representations  and  dynamics  trained  end-to-end  can  be  used  for  planning  to  solve  maze  navigation  tasks.  I  show  that  using  dynamics  learning  and  planning  has  several  key  advantages  over  direct  action  prediction  commonly  used  in  RL.
■590    ▼aSchool  code:  0146.
■650  4▼aStatistics
■650  4▼aComputer  science
■650  4▼aInformation  technology
■653    ▼aRepresentation  learning
■653    ▼aLatent  dynamics
■653    ▼aReinforcement  learning
■653    ▼aSimilarity  graphs
■653    ▼aInverse  dynamics  modeling
■690    ▼a0463
■690    ▼a0489
■690    ▼a0984
■690    ▼a0800
■71020▼aNew  York  University▼bCenter  for  Data  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0146
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356816▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books