ترجمه فارسی مقاله افزایش کارایی در کاوش بدون وابستگی به وظیفه از طریق دانش سببی

چکیده

The effectiveness of model training heavily relies on the quality of available training resources. However, budget constraints often impose limitations on data collection efforts. To tackle this challenge, we introduce causal exploration in this paper, a strategy that leverages the underlying causal knowledge for both data collection and model training. We, in particular, focus on enhancing the sample efficiency and reliability of the world model learning within the domain of task-agnostic reinforcement learning. During the exploration phase, the agent actively selects actions expected to yield causal insights most beneficial for world model training. Concurrently, the causal knowledge is acquired and incrementally refined with the ongoing collection of data. We demonstrate that causal exploration aids in learning accurate world models using fewer data and provide theoretical guarantees for its convergence. Empirical experiments, on both synthetic data and real-world applications, further validate the benefits of causal exploration.

چکیده به فارسی (ترجمه ماشینی)

اثربخشی آموزش مدل به شدت به کیفیت منابع آموزشی موجود متکی است.با این حال ، محدودیت های بودجه اغلب محدودیت هایی را در تلاش برای جمع آوری داده ها اعمال می کند.برای مقابله با این چالش ، ما در این مقاله اکتشافات علی را معرفی می کنیم ، استراتژی که از دانش علی اساسی برای جمع آوری داده ها و آموزش مدل استفاده می کند.ما ، به ویژه ، بر افزایش کارآیی نمونه و قابلیت اطمینان یادگیری مدل جهانی در حوزه یادگیری تقویت کننده کار آگنوستیک تمرکز می کنیم.در طی مرحله اکتشاف ، عامل به طور فعال اقدامات انتظار می رود که بینش های علّی را برای آموزش مدل جهانی سودمند کند.به طور همزمان ، دانش علی با جمع آوری داده ها به دست می آید و به صورت تدریجی تصفیه می شود.ما نشان می دهیم که اکتشاف علّی در یادگیری مدل های دقیق جهان با استفاده از داده های کمتری کمک می کند و ضمانت های نظری را برای همگرایی آن ارائه می دهد.آزمایش های تجربی ، در هر دو داده های مصنوعی و کاربردهای دنیای واقعی ، مزایای اکتشاف علی را بیشتر تأیید می کند.