Entwicklung und Analyse von Auto-Encodern für intelligente Agenten zum Erlernen von Atari-Spielen
Vortragende(r) | Annika Kies | |
---|---|---|
Vortragstyp | Bachelorarbeit | |
Betreuer(in) | Daniel Zimmermann | |
Termin | Fr 4. September 2020 | |
Vortragsmodus | ||
Kurzfassung | Aktuell ist die Verwendung von rekurrenten neuronalen Netzen ein Ansatz zum Erlernen von Computerspielen.
Einige dieser Neuronalen Netze scheitern aber an der großen Datenmenge, die bei einem Spielframe vorliegen. Auto-Encoder können die Spielframes soweit komprimieren, dass sie für solche Netze verfügbar werden. Das Ziel dieser Arbeit war es eine Auto-Encoder-Architektur zu finden, welche Atari-Frames soweit komprimiert, sodass eine möglichst verlustfreie Rekonstruktion möglich ist. Atari-Spiele können so für tiefe neuronale Netzwerke zugänglich gemacht werden. Dafür wurden zwei unterschiedliche Atari-Spiele ausgewählt, große Datensätze mit geeigneten Spielframes generiert und verschiedene Auto Encoder Architekturen evaluiert. Im Rahmen dieser Arbeit konnte gezeigt werden, dass eine ausreichende Kompression mit akzeptierbaren Qualitätsverlust möglich ist. |