Preskoči na sadržaj
Korištenjem servisa na Twitteru pristajete na korištenje kolačića. Twitter i partneri rade globalno te koriste kolačiće za analize, personalizaciju i oglase.

Za najbolje sučelje na Twitteru koristite Microsoft Edge ili instalirajte aplikaciju Twitter iz trgovine Microsoft Store.

  • Naslovnica Naslovnica Naslovnica, trenutna stranica.
  • O Twitteru

Spremljena pretraživanja

  • obriši
  • U ovom razgovoru
    Ovjeren akauntZaštićeni tweetovi @
Predloženi korisnici
  • Ovjeren akauntZaštićeni tweetovi @
  • Ovjeren akauntZaštićeni tweetovi @
  • Jezik: Hrvatski
    • Bahasa Indonesia
    • Bahasa Melayu
    • Català
    • Čeština
    • Dansk
    • Deutsch
    • English
    • English UK
    • Español
    • Filipino
    • Français
    • Italiano
    • Magyar
    • Nederlands
    • Norsk
    • Polski
    • Português
    • Română
    • Slovenčina
    • Suomi
    • Svenska
    • Tiếng Việt
    • Türkçe
    • Български език
    • Русский
    • Српски
    • Українська мова
    • Ελληνικά
    • עִבְרִית
    • العربية
    • فارسی
    • मराठी
    • हिन्दी
    • বাংলা
    • ગુજરાતી
    • தமிழ்
    • ಕನ್ನಡ
    • ภาษาไทย
    • 한국어
    • 日本語
    • 简体中文
    • 繁體中文
  • Imate račun? Prijava
    Imate račun?
    · Zaboravili ste lozinku?

    Novi ste na Twitteru?
    Registrirajte se
Profil korisnika/ce togelius
Julian Togelius
Julian Togelius
Julian Togelius
@togelius

Tweets

Julian Togelius

@togelius

AI and games researcher. Associate professor at NYU; Editor-in-Chief of @IEEETxnOnGames; director of @NYUGameLab; co-founder of http://modl.ai .

New York City
julian.togelius.com
Vrijeme pridruživanja: siječanj 2009.

Tweets

  • © 2020 Twitter
  • O Twitteru
  • Centar za pomoć
  • Uvjeti
  • Pravila o privatnosti
  • Imprint
  • Kolačići
  • Informacije o oglasima
Odbaci
Prethodni
Sljedeće

Idite na profil osobe

Spremljena pretraživanja

  • obriši
  • U ovom razgovoru
    Ovjeren akauntZaštićeni tweetovi @
Predloženi korisnici
  • Ovjeren akauntZaštićeni tweetovi @
  • Ovjeren akauntZaštićeni tweetovi @

Odjava

Blokiraj

  • Objavi Tweet s lokacijom

    U tweetove putem weba ili aplikacija drugih proizvođača možete dodati podatke o lokaciji, kao što su grad ili točna lokacija. Povijest lokacija tweetova uvijek možete izbrisati. Saznajte više

    Vaši popisi

    Izradi novi popis


    Manje od 100 znakova, neobavezno

    Privatnost

    Kopiraj vezu u tweet

    Ugradi ovaj Tweet

    Embed this Video

    Dodajte ovaj Tweet na svoje web-mjesto kopiranjem koda u nastavku. Saznajte više

    Dodajte ovaj videozapis na svoje web-mjesto kopiranjem koda u nastavku. Saznajte više

    Hm, došlo je do problema prilikom povezivanja s poslužiteljem.

    Integracijom Twitterova sadržaja u svoje web-mjesto ili aplikaciju prihvaćate Twitterov Ugovor za programere i Pravila za programere.

    Pregled

    Razlog prikaza oglasa

    Prijavi se na Twitter

    · Zaboravili ste lozinku?
    Nemate račun? Registrirajte se »

    Prijavite se na Twitter

    Niste na Twitteru? Registrirajte se, uključite se u stvari koje vas zanimaju, i dobivajte promjene čim se dogode.

    Registrirajte se
    Imate račun? Prijava »

    Dvosmjerni (slanje i primanje) kratki kodovi:

    Država Kod Samo za korisnike
    Sjedinjene Američke Države 40404 (bilo koje)
    Kanada 21212 (bilo koje)
    Ujedinjeno Kraljevstvo 86444 Vodafone, Orange, 3, O2
    Brazil 40404 Nextel, TIM
    Haiti 40404 Digicel, Voila
    Irska 51210 Vodafone, O2
    Indija 53000 Bharti Airtel, Videocon, Reliance
    Indonezija 89887 AXIS, 3, Telkomsel, Indosat, XL Axiata
    Italija 4880804 Wind
    3424486444 Vodafone
    » Pogledajte SMS kratke šifre za druge zemlje

    Potvrda

     

    Dobro došli kući!

    Vremenska crta mjesto je na kojem ćete provesti najviše vremena i bez odgode dobivati novosti o svemu što vam je važno.

    Tweetovi vam ne valjaju?

    Prijeđite pokazivačem preko slike profila pa kliknite gumb Pratim da biste prestali pratiti neki račun.

    Kažite mnogo uz malo riječi

    Kada vidite Tweet koji volite, dodirnite srce – to osobi koja ga je napisala daje do znanja da vam se sviđa.

    Proširite glas

    Najbolji je način da podijelite nečiji Tweet s osobama koje vas prate prosljeđivanje. Dodirnite ikonu da biste smjesta poslali.

    Pridruži se razgovoru

    Pomoću odgovora dodajte sve što mislite o nekom tweetu. Pronađite temu koja vam je važna i uključite se.

    Saznajte najnovije vijesti

    Bez odgode pogledajte o čemu ljudi razgovaraju.

    Pratite više onoga što vam se sviđa

    Pratite više računa da biste dobivali novosti o temama do kojih vam je stalo.

    Saznajte što se događa

    Bez odgode pogledajte najnovije razgovore o bilo kojoj temi.

    Ne propustite nijedan aktualni događaj

    Bez odgode pratite kako se razvijaju događaji koje pratite.

    1. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      To the left, you see a trained agent playing a level of a game. To the right, you see the same playthrough from an agent-centric perspective: cropped, translated, and rotated with the agent in the center. Which perspective is the best input for the agent? https://arxiv.org/abs/2001.09908 pic.twitter.com/7bCtBp8xUG

      13 replies 32 proslijeđena tweeta 163 korisnika označavaju da im se sviđa
      Prikaži ovu nit
    2. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      In our new paper, "Rotation, Translation, and Cropping for Zero-Shot Generalization" by @yooceii @Amidos2006 @FilipoGiovanni and I show that the agent-centric perspective is better in the sense that the agent learns policies that generalize better. https://arxiv.org/abs/2001.09908 pic.twitter.com/q7jLjBRjLL

      2 proslijeđena tweeta 32 korisnika označavaju da im se sviđa
      Prikaži ovu nit
    3. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      We use a standard deep network architecture and reinforcement learning algorithm (A2C). When agents are trained using the top-down view which is the game's "native" view (to the left in the inital gif) the trained networks play unseen levels very badly.

      1 reply 0 proslijeđenih tweetova 10 korisnika označava da im se sviđa
      Prikaži ovu nit
    4. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      Simply cropping the level to see only what's around the agent, or rotating it so that the agent is pointing up, or translating it so that the agent is always in the center of the image, have little effect on their own. But all three together drastically increases generalization!

      1 reply 0 proslijeđenih tweetova 21 korisnik označava da mu se sviđa
      Prikaži ovu nit
    5. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      Note that in all six conditions, the algorithm is able to learn policies that work on the specific level(s) it is trained on. What really differs is the generalization capacity.

      1 reply 0 proslijeđenih tweetova 8 korisnika označava da im se sviđa
      Prikaži ovu nit
    6. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      Julian Togelius je proslijedio/a tweet korisnika/ceJulian Togelius

      This paper builds on earlier work, where we showed that standard deep RL algorithms learn policies that generalize very badly. They are barely able to play any levels that they were not trained on at all.https://twitter.com/togelius/status/1012726654261702658 …

      Julian Togelius je dodan/na,

      Julian Togelius @togelius
      Deep reinforcement learning overfits. Often, a trained network can only play the particular level(s) you trained it on! In our new paper, we show how to train more general networks with procedural level generation, generating progressively harder levels. https://arxiv.org/abs/1806.10729  pic.twitter.com/JDNYPZuAHV
      Prikaži ovu nit
      1 reply 0 proslijeđenih tweetova 10 korisnika označava da im se sviđa
      Prikaži ovu nit
    7. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      It is well known from "non-deep" agent learning research (say, evolutionary robotics work and game AI work from early to mid 2000s) that the sensor representation is extremely important to the agent's ability to learn. http://julian.togelius.com/VanHoorn2009Hierarchical.pdf …pic.twitter.com/Ugj9IDsdDR

      2 proslijeđena tweeta 22 korisnika označavaju da im se sviđa
      Prikaži ovu nit
    8. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      The promise/premise of deep learning is that we don't have to worry about these representations, because the network will figure out the input representation itself. But, really, will it? Will a network of a few layers really learn to rotate and translate to focus on the agent?

      0 proslijeđenih tweetova 15 korisnika označava da im se sviđa
      Prikaži ovu nit
    9. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      Also, can it? It is hard to imagine that a neural network of just a few layers could actually implement the transformations necessary to even understand where things are relative to the agent, so that the policy can be location-independent?

      1 reply 0 proslijeđenih tweetova 9 korisnika označava da im se sviđa
      Prikaži ovu nit
    10. Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      It is possible that the standard paradigm of a neural network with a handful of layers learning to master, say, Atari games from a static third-person view is actually impossible. That is, it doesn't learn any general playing skills. It learns some kind of stimulus-response table

      1 reply 0 proslijeđenih tweetova 12 korisnika označava da im se sviđa
      Prikaži ovu nit
      Julian Togelius‏ @togelius 1. velj
      • Prijavi Tweet

      In any case, even if this is possible in principle, it seems that the way we represent the input makes a lot of difference for the generality of skills that can be learned in practice.

      16:54 - 31. sij 2020.
      • 11 oznaka „sviđa mi se”
      • 𝛁John Sagar Pathrudkar Guillermo Valle Himanshu Mittal Felix Hill Tomasz Darmetko Ahmed Khalifa Waleed Mustafa Johnathan Pagnutti
      1 reply 0 proslijeđenih tweetova 11 korisnika označava da im se sviđa
        1. Jared Moore‏ @j_redmmoore 1. velj
          • Prijavi Tweet
          Odgovor korisnicima @togelius @yooceii i sljedećem broju korisnika:

          Really appreciate the summary in tweets here about this effect! Quickly digestible and something I think I'll bring into my AI class as well. Nice work!

          0 replies 0 proslijeđenih tweetova 2 korisnika označavaju da im se sviđa
          Hvala. Twitter će to iskoristiti za poboljšanje vaše vremenske crte. Poništi
          Poništi

      Čini se da učitavanje traje već neko vrijeme.

      Twitter je možda preopterećen ili ima kratkotrajnih poteškoća u radu. Pokušajte ponovno ili potražite dodatne informacije u odjeljku Status Twittera.

        Sponzorirani tweet

        false

        • © 2020 Twitter
        • O Twitteru
        • Centar za pomoć
        • Uvjeti
        • Pravila o privatnosti
        • Imprint
        • Kolačići
        • Informacije o oglasima