REVERSAL-BENCH controla la reversibilidad con ρ∈ [0, 1] y señala absorción permanente de agentes sin resets

Por Redacción Señal IA

REVERSAL-BENCH controla la reversibilidad mediante un eje continuo y muestra que los agentes entrenados sin resets acaban absorbidos en estados irrecoverables; esa absorción es permanente y, por tanto, evita que los agentes sigan aprendiendo. (Apple Machine Learning Research)

El proyecto introduce un parámetro que ajusta la reversibilidad del entorno: Apple Machine Learning Research escribe: «REVERSAL-BENCH, a benchmark that controls reversibility via a continuous parameter ρ∈ [0, 1]». (Apple Machine Learning Research)

Los autores describen además el riesgo para agentes sin reinicios externos: Apple Machine Learning Research escribe: «Because reset-free agents lack external resets, any transition into an irrecoverable state results in permanent absorption». Esa condición explica por qué los agentes reset-free «are consistently absorbed into irrecoverable states», según el mismo material. (Apple Machine Learning Research)