arXiv cs.AI· Catherine Ji, Vivek Myers, Sergey Levine, Benjamin Eysenbach·· 10 天前AI 评分24
赋能几何：将 empowerment 最大化与技能学习关联的新几何框架
The Geometry of Empowerment
AI 导读
研究将 empowerment 最大化与技能学习方法相关联，为解释和分析 empowerment 提供了新的几何视角，并回答了其与结构中心性之间长期存在的开放问题。分析还揭示了信息几何与奖励几何之间的差异，为构建可扩展的 empowerment 最大化方法提供了理论启示。
正文 · AI 翻译
摘要：赋权（empowerment）刻画了智能体主动控制其环境的能力。尽管作为一个信息论量在概念上颇具吸引力，但赋权与那些对未来结果具有广泛可达性的结构中心状态之间的联系一直是一个未解问题。在这项工作中，我们将赋权最大化与技能学习方法联系起来，为解释和分析赋权提供了新的几何结构。我们的分析回答了关于赋权与结构中心性之间联系的长期未解问题。我们的分析还揭示了信息几何与奖励几何之间的区别，凸显了构建可扩展的赋权最大化方法的重要理论意义。网站和代码可在 此 https URL 找到。
| 评论： | 34 页，12 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.07796 [cs.LG] |
| （或 arXiv:2610.07796v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.07796 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Catherine Ji [查看电子邮件]
[v1]
2026年10月6日星期二 05:45:19 UTC（1,906 KB）
来源：arXiv cs.AI · arxiv.org