どんなもの？ 先行研究と比べて何がすごい？ 技術の手法や肝は？ どうやって有効だと検証した？ ・Atari 100kベンチマークを使用して評価し，「中央値，四分位平 均 (IQM)，平均スコア」で高い性能を示した ・予測された報酬を世界モデルにフィードバックすることで，現在 どれだけの報酬が出力されているかという情報を提供する ・Dreamerv2の損失関数を修正して，関係するエントロピー項とク ロスエントロピー項の相対的な重みを微調整した ・強化学習におけるサンプル効率の向上を目指し，Transformer-XL アーキテクチャを基にした新しい自己回帰型の世界モデル (TWM)を 提案した ・提案されたTWMは，Atari 100kベンチマークで既存のモデルフ リー or モデルベースの強化学習アルゴリズムを上回る性能を示した Transformer-based World Models Are Happy With 100k Interactions (ICLR 2023) Jan Robine, Marc Höftmann, Tobias Uelwer, Stefan Harmeling https://arxiv.org/abs/2303.07109 2024/01/31 論文を表す画像 被引用数：13 1/9 ・Transformer-XLアーキテクチャを活用することで長期依存関係を 学習し，計算効率を保持している ・TWMは推論時にTransformerを必要としないため，計算コストを 削減している

❖ 観測のエンコード： ➢ 観測otはCNNを使用して潜在状態ztに変換 ❖ 潜在状態，行動，報酬の埋め込み： ➢ 生成された潜在状態zt，行動at，報酬rtはそれぞれ線形埋め込みを通して 処理される ❖ Transformerの活用： ➢ 埋め込まれた潜在状態，行動，報酬はTransformerに入力され，各時間に おいて決定論的な隠れ状態htを計算する モデル 2/9

モデル 3/9 ❖ MLPを使用した予測 ➢ Transformerによって計算された隠れ状態htを元に，MLPを使用して次の 潜在状態zt+1^，報酬rt^，割引率γt^の予測を行う ❖ 時系列データの処理 ➢ Transformerはht-Lからhtまでのシーケンスを処理することで過去のデー タに基づいて現在の隠れ状態htを更新する

損失関数の設計 (観測モデル) 4/9 ❖ decoder：観測デコーダ ➢ モデルがデータをどれだけうまく再構成できているかを測る項 ❖ entropy regularizer：エントロピー正則化項 ➢ 潜在状態の分布が一様になりすぎることを防ぐための項 ❖ consistency：一貫性損失 ➢ エンコーダとダイナミクスモデルが生成する潜在状態の分布の一貫性を測 る項 ❖ α1, α2：ハイパラ ➢ エントロピー正則化項と一貫性損失の重みを制御する

❖ latent state predictor：潜在状態予測器 ➢ 次の時間における潜在状態 zt+1 の予測のクロスエントロピー ❖ reward predictor：報酬予測器 ➢ モデルが予測する報酬 rt の負の対数尤度 ❖ discount predictor：割引予測器 ➢ 割引率 γt の予測の負の対数尤度，エピソード終了時 dt=1 のときγt=0で それ以外のときは，γt=γとなる ❖ β1, β2：ハイパラ ➢ 報酬予測器と割引予測器の重みを制御する 損失関数の設計 (ダイナミクスモデル) 5/9

Atari 100kベンチマーク結果 (定量評価) 6/9 ❖ 100エピソードで訓練したモデ ルで5回評価したスコアから 「中央値と平均値」を算出 ❖ Normalized Mean ➢ 人間プレイヤーの平均スコア に対する各アルゴリズムのス コアの正規化平均 ❖ Normalized Median ➢ 人間プレイヤーの平均スコア に対する各アルゴリズムのス コアの正規化中央値 ❖ ほとんどのゲームで従来手法を 上回る性能 ❖ Normalized Meanのスコアが 高いことから人間プレイヤーに 匹敵する性能を示している

❖ Boxing ➢ プレイヤー (白) が攻撃 (赤フレーム)を行い，次のフレームで報酬を獲得 している (緑フレーム) ❖ Freeway ➢ プレイヤーは上方向に移動するアクションを継続して選択している (赤い 横枠) ❖ モデルは行動を取り，その結果として期待される報酬を計算し，ゲー ムの進行を「想像」することができている ゲームタスクの観測軌道 (定性評価) 7/9

まとめ 8/9 ❖ World model × Transformerによるモデルを提案した ❖ Dreamerv2の損失関数の設計を修正した ❖ 定量評価において，平均スコアは人間とほぼ同等性能 ❖ 定性評価では，提案モデルが観測ot，行動at，報酬rtを予測しゲーム 進行を再現できている

感想 9/9 ❖ 推論時にTransformerを使用しないことで，計算コスト削減しているの がIRISとの違い (だと思う) ❖ このモデルをオフラインデータで実験したらどのようになるのか気に なる ➢ githubを見た限りデータセットはないのでオンライン学習だと思う