2018年由David Ha与Jürgen Schmidhuber发表的论文，将世界模型概念正式引入深度学习领域，提出在内部模拟中学习策略的方法
David Ha与Jürgen Schmidhuber于2018年提出'World Models'框架，用VAE和RNN构建环境的内部表示
David Ha与Jürgen Schmidhuber在2018年提出了'World Models'框架，使用变分自编码器（VAE）和循环神经网络（RNN）构建环境的内部表示
世界模型的经典架构由三个模块组成：VAE、MDN-RNN 和 Controller
World Models 论文使用 OpenAI 的 CarRacing-v0 和 VizDoom 作为实验平台，证明智能体可以完全在自己学习到的环境模型中完成策略训练
在世界模型中，VAE 通常将 64×64 像素的游戏画面压缩为 32 维或 64 维的潜在向量
世界模型通过在内部模拟中大量虚拟试错替代真实环境交互，理论上可将所需真实样本量降低一到两个数量级
在世界模型中 MDN-RNN 通常使用 256 个隐藏单元的 LSTM 和 5 个高斯混合分量来预测下一帧的潜在向量分布
《World Models》论文由 David Ha 与 Jürgen Schmidhuber 于 2018 年发表
世界模型概念由Ha和Schmidhuber在2018年的论文《World Models》中系统性提出
Ha与Schmidhuber的世界模型采用三模块架构：视觉编码器V负责感知压缩、循环神经网络M负责时序记忆、控制器C负责决策
2 more timeline events
世界模型概念由David Ha与Jürgen Schmidhuber于2018年正式提出
85%VerifiedDavid Ha与Schmidhuber在2018年发表了论文《World Models》，展示了智能体如何在梦境中完成强化学习训练
65%Unverified《World Models》论文的核心思想是让智能体先学习一个压缩的环境内部表示，再在「梦境」（hallucinated environment）中进行低成本的策略训练
50%UnverifiedDavid Ha与Jürgen Schmidhuber于2018年提出'World Models'框架，用VAE和RNN构建环境的内部表示
50%UnverifiedDavid Ha与Jürgen Schmidhuber在2018年提出了'World Models'框架，使用变分自编码器（VAE）和循环神经网络（RNN）构建环境的内部表示
50%Unverified《World Models》论文由 David Ha 与 Jürgen Schmidhuber 于 2018 年发表
50%UnverifiedWorld Models 论文使用 OpenAI 的 CarRacing-v0 和 VizDoom 作为实验平台，证明智能体可以完全在自己学习到的环境模型中完成策略训练
50%Unverified世界模型的经典架构由三个模块组成：VAE、MDN-RNN 和 Controller
50%Unverified在世界模型中，VAE 通常将 64×64 像素的游戏画面压缩为 32 维或 64 维的潜在向量
50%Unverified世界模型通过在内部模拟中大量虚拟试错替代真实环境交互，理论上可将所需真实样本量降低一到两个数量级
50%Unverified在世界模型中 MDN-RNN 通常使用 256 个隐藏单元的 LSTM 和 5 个高斯混合分量来预测下一帧的潜在向量分布
50%Unverified世界模型概念由Ha和Schmidhuber在2018年的论文《World Models》中系统性提出
50%UnverifiedHa与Schmidhuber的世界模型采用三模块架构：视觉编码器V负责感知压缩、循环神经网络M负责时序记忆、控制器C负责决策
50%Unverified2018年 David Ha 与 Jürgen Schmidhuber 的论文《World Models》将世界模型概念正式引入深度学习领域
50%