7 articles
OpenAI montre que les stratégies évolutionnaires (ES) rivalisent avec l'apprentissage par renforcement standard sur des benchmarks modernes (Atari, MuJoCo) tout en évitant plusieurs inconvénients de l'RL.
OpenAI présente une méthode d'apprentissage par imitation en une seule démonstration. La technique permet aux modèles d'apprendre à partir d'un unique exemple sans entraînement supplémentaire, applicable aux tâches de robotique et de contrôle.
OpenAI soutient le lancement de Distill, une nouvelle revue spécialisée dans la communication claire des résultats en machine learning, qu'ils soient novateurs ou existants.
OpenAI publie une recherche sur le développement d'un langage propre par les agents. Les agents apprennent à communiquer entre eux via un protocole émergent, sans supervision humaine explicite.
OpenAI publie une recherche sur l'émergence du langage compositionnel ancré dans des populations multi-agents. Les agents développent spontanément un langage structuré pour communiquer et résoudre des tâches collaboratives sans supervision linguistique explicite.
OpenAI présente les temporal segment models (TSM), des modèles capables de prédire et contrôler des séquences temporelles complexes. Ces modèles segmentent les données en intervalles temporels pour améliorer la prédiction et le contrôle dans des environnements dynamiques.
OpenAI publie une méthode d'apprentissage par imitation en troisième personne permettant aux agents d'apprendre à partir d'observations externes sans accès direct aux actions. La technique améliore la généralisation et réduit la dépendance aux démonstrations de première personne.