CausalWAM: apprendere le cause delle azioni nei modelli d’azione del mondo

Abstract degli autori

I modelli d’azione del mondo (WAM) apprendono variabili latenti dalle osservazioni e le usano sia per prevedere l’evoluzione della scena sia per generare azioni. La previsione deve riguardare l’intera scena, mentre solo una sua parte causa le azioni. In generale, i WAM addestrati su dimostrazioni non garantiscono di generare azioni esclusivamente a partire dalle cause latenti delle azioni dimostrate (le variabili latenti rilevanti per l’azione), poiché il modello potrebbe altrettanto bene imparare a imitare intrecciando le variabili latenti rilevanti per l’azione con quelle di disturbo. Separiamo quindi ciò che causa l’azione da ciò da cui dipende la previsione. Dimostriamo che, in presenza di un vincolo di sparsità, le variabili latenti usate per generare azioni sono una funzione invertibile delle sole variabili latenti rilevanti per l’azione e che la struttura effettiva è identificata a meno di una permutazione delle variabili latenti. Questo non richiede né una dipendenza temporale sufficiente né ipotesi su come evolvono i regimi non osservati, e vale anche quando le variabili latenti rilevanti per l’azione sono statisticamente dipendenti dalle altre. Proponiamo quindi CWAM (Causal WAM), che integra il vincolo in un WAM preaddestrato aggiungendo un percorso di instradamento sparso alla sua testa di azione, lasciando invariato l’obiettivo di modellazione del mondo. Gli esperimenti su dati sintetici e su robot reali convalidano la teoria e mostrano anche una maggiore efficienza nel raggiungere il successo a ciclo chiuso.