論文の概要: JAXenstein: Accelerated Benchmarking for First-Person Environments

• arxiv url: http://arxiv.org/abs/2605.19926v1
• Date: Tue, 19 May 2026 14:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.410601
• Title: JAXenstein: Accelerated Benchmarking for First-Person Environments
• Title（参考訳）: JAXenstein: ファーストパーソン環境でのベンチマークの高速化
• Abstract要約: 我々はWolfenstein 3Dレンダリングエンジンを実装したオープンソースのベンチマークであるJAXensteinを紹介した。 JAXensteinは、同等のビジョンベースのベンチマークの何倍も高速である。
• 参考スコア（独自算出の注目度）: 10.578715322504737
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The progression of reinforcement learning algorithms have been driven by challenging benchmarks. The rate in which a researcher can iterate on a problem setting directly impacts the speed of algorithm development. Modern machine learning has produced tools that allow for fast and scalable algorithm development like the JAX library. With the availability of these tools, a serious bottleneck in algorithm development is the availability of large and complex domains for experimentation. Most notably, the JAX reinforcement learning ecosystem does not have any benchmarks that test visual first-person tasks; these domains are crucial for testing both exploration and an agent's ability to overcome partial observability. We introduce JAXenstein: an open-source JAX-based benchmark that implements the Wolfenstein 3D rendering engine for fast and scalable experimentation in visual first-person tasks. JAXenstein is several times faster than comparable vision-based benchmarks, and is easily extensible to more complex first-person domains.
• Abstract（参考訳）: 強化学習アルゴリズムの進歩は、挑戦的なベンチマークによって推進されている。 研究者が問題設定を反復できる速度は、アルゴリズム開発速度に直接影響する。 現代の機械学習は、JAXライブラリのような高速でスケーラブルなアルゴリズム開発を可能にするツールを作成しました。 これらのツールが利用可能になったことで、アルゴリズム開発における重大なボトルネックは、実験のために大規模で複雑なドメインが利用可能になったことである。 最も注目すべきは、JAX強化学習エコシステムは、視覚的なファーストパーソンタスクをテストするベンチマークを持っていないことだ。 我々は、Wolfenstein 3Dレンダリングエンジンを実装したオープンソースのJAXベースのベンチマークであるJAXensteinを紹介します。 JAXensteinは、同等のビジョンベースのベンチマークよりも数倍高速で、より複雑な1人称ドメインに容易に拡張可能である。

関連論文リスト

• TABX: A High-Throughput Sandbox Battle Simulator for Multi-Agent Reinforcement Learning [4.254850120280717]
  我々は、再構成可能なマルチエージェントタスクのために、JAX (TABX) におけるトータル・アクセラレーション・バトルシミュレータを導入する。 TABXは大規模な並列化を可能にし、計算オーバーヘッドを大幅に削減する。 高速でスケーラブルで簡単にカスタマイズできるフレームワークを提供することで、TABXは将来の研究のためのスケーラブルな基盤となる。
  論文  参考訳（メタデータ） (2026-02-02T05:34:38Z)
• A Rosetta Stone for AI Benchmarks [28.690200241767897]
  ほとんどのAIベンチマークは、導入後数年から数ヶ月で飽和し、AI能力の長期的トレンドを研究するのは難しい。 ベンチマークを縫合する統計フレームワークを構築し、モデル機能とベンチマークの難しさを1つの数値スケールで評価する。 これは"Rosetta Stone"として機能し、同じベンチマークで評価されていなくても、幅広い能力と時間のモデルを比較することができます。
  論文  参考訳（メタデータ） (2025-11-28T20:18:58Z)
• Controlling Thinking Speed in Reasoning Models [57.14541748751654]
  人間の認知は、高速で直感的なシステム1思考と遅いシステム2思考の2つのモードで動作する。 本研究では,LRMが動的思考速度調整によって人間の知能を近似することを可能にする。 提案手法は, LRMにおける思考速度の制御方法と, 最適性能をいつ調整するかという2つの重要な問題に対処する。
  論文  参考訳（メタデータ） (2025-07-04T16:41:06Z)
• The Automated LLM Speedrunning Benchmark: Reproducing NanoGPT Improvements [87.61432174951891]
  科学的進歩への重要な能力は、既存の作品を再現する能力である。 アクティブな研究領域においてAIエージェントが結果を再現する能力を評価するために,自動LLM高速化ベンチマークを導入する。 最近のLSMとSoTAの足場を組み合わせると、ベンチマークですでに知られているイノベーションを再実装するのに苦労していることが分かりました。
  論文  参考訳（メタデータ） (2025-06-27T17:44:32Z)
• Exposing the Copycat Problem of Imitation-based Planner: A Novel Closed-Loop Simulator, Causal Benchmark and Joint IL-RL Baseline [49.51385135697656]
  機械学習ベースの計画では、模倣学習(IL)が一般的なアルゴリズムである。 主に、教師付き軌跡データから直接ポリシーを学習する。 学習した方針が根本的駆動原理を真に理解しているかどうかを判断することは依然として困難である。 本研究は、模倣と強化学習の両方をサポートする新しいクローズドループシミュレータを提案する。
  論文  参考訳（メタデータ） (2025-04-20T18:51:26Z)
• RAGLAB: A Modular and Research-Oriented Unified Framework for Retrieval-Augmented Generation [54.707460684650584]
  大きな言語モデル(LLM)は対話、推論、知識保持における人間レベルの能力を示す。 現在の研究は、LLMに外部知識を組み込むことによって、このボトルネックに対処している。 RAGLABはモジュール的で研究指向のオープンソースライブラリで、6つの既存のアルゴリズムを再現し、RAGアルゴリズムを調査するための包括的なエコシステムを提供する。
  論文  参考訳（メタデータ） (2024-08-21T07:20:48Z)
• Benchmarking Predictive Coding Networks -- Made Simple [48.652114040426625]
  機械学習における予測符号化ネットワーク(PCN)の効率性とスケーラビリティの問題に取り組む。 そこで我々は,PCXと呼ばれる,パフォーマンスと簡易性を重視したライブラリを提案する。 我々は,PCNの既存アルゴリズムと,生物工学的な深層学習コミュニティで普及している他の手法を併用して,このようなベンチマークを広範囲に実施する。
  論文  参考訳（メタデータ） (2024-07-01T10:33:44Z)
• Craftax: A Lightning-Fast Benchmark for Open-Ended Reinforcement Learning [4.067733179628694]
  Craftaxは、JAXでCrafterをベースとして書き直したもので、Pythonネイティブのオリジナルよりも最大250倍高速である。 10億の環境相互作用を使ったPPOの実行は、1つのGPUだけで1時間以内で終了する。 本研究では,グローバル・エピソード探索を含む既存の手法と,教師なし環境設計がベンチマークで実質的な進歩を損なうことを示す。
  論文  参考訳（メタデータ） (2024-02-26T18:19:07Z)
• JaxMARL: Multi-Agent RL Environments and Algorithms in JAX [105.343918678781]
  我々は、GPU対応の効率と多くの一般的なMARL環境のサポートを組み合わせた、最初のオープンソースPythonベースのライブラリであるJaxMARLを紹介します。 我々の実験は、壁時計時間の観点から、JAXベースのトレーニングパイプラインが既存のアプローチの約14倍高速であることを示している。 また、人気の高いStarCraft Multi-Agent ChallengeのJAXベースの近似的な再実装であるSMAXを紹介し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-11-16T18:58:43Z)
• ELEA -- Build your own Evolutionary Algorithm in your Browser [1.5525560291268217]
  進化的アルゴリズムの実験と学習ツールキット"は,進化的アルゴリズムを実験するためのオープンソースフレームワークである。 ELEAはブラウザベースで、ドラッグ&ドロップを使って進化的アルゴリズムを組み立てることができる。 ELEAは特に、アルゴリズムの爆発的分析や教室での使用に適している。
  論文  参考訳（メタデータ） (2023-02-13T11:32:40Z)
• EvoX: A Distributed GPU-accelerated Framework for Scalable Evolutionary Computation [40.71953374838183]
  EvoXは、ECアルゴリズムの自動化、分散、均一な実行に適したコンピューティングフレームワークである。 EvoXの中核には、並列化可能なECアルゴリズムの開発を合理化するユニークなプログラミングモデルがある。 EvoXは、数十の数値テスト機能から数百の強化学習タスクまで、さまざまなベンチマーク問題に対する包括的なサポートを提供する。
  論文  参考訳（メタデータ） (2023-01-29T15:00:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。