論文の概要: JAXtari: High-Throughput and Easy-to-Modify Arcade Learning Environment

• arxiv url: http://arxiv.org/abs/2610.23650v1
• Date: Fri, 16 Oct 2026 15:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.996489
• Title: JAXtari: High-Throughput and Easy-to-Modify Arcade Learning Environment
• Title（参考訳）: JAXtari: 高速かつ簡単に変更可能なアーケード学習環境
• Abstract要約: JAXtariは、Atari 2600環境のオープンソースで高性能な再実装である。 JAXtariは、PPOエージェントが1時間以内で、1つのA100-GPU上で100M環境ステップでトレーニングを終えることを可能にする。
• 参考スコア（独自算出の注目度）: 26.219198418074665
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The Arcade Learning Environment (ALE) has been a cornerstone of Deep Reinforcement Learning research, providing a standardized benchmark for evaluating general agents. However, its lack of native support for object-extraction and environment modification restricts research into evaluating whether agents learn robust causal models or rely on brittle visual heuristics. Furthermore, the ALE's dependence on CPU-based emulation creates a significant bottleneck in modern GPU-accelerated training pipelines, limiting both experimental scale and iteration frequency. In this work, we introduce JAXtari, an open-source, high-performance reimplementation of Atari 2600 environments. By leveraging massive GPU parallelization, JAXtari allows PPO agents to finish training on 100M environment steps on a single A100-GPU in under an hour. Beyond speed, it provides object-centric observations and a flexible modification system, allowing researchers to, e.g. develop neuro-symbolic methods or discover novel shortcuts and subsequently train and adapt their agents rapidly, sometimes in only minutes.
• Abstract（参考訳）: Arcade Learning Environment (ALE)はDeep Reinforcement Learning研究の基盤であり、一般的なエージェントを評価するための標準ベンチマークを提供している。 しかし、対象抽出と環境修正に対するネイティブサポートの欠如は、エージェントが堅牢な因果モデルを学ぶか、脆弱な視覚ヒューリスティックに頼っているかを評価する研究を制限している。 さらに、CPUベースのエミュレーションへのALEの依存は、現代的なGPUアクセラレーショントレーニングパイプラインにおいて重大なボトルネックを引き起こし、実験スケールとイテレーション頻度の両方を制限する。 本稿では,Atari 2600環境のオープンソースかつ高性能な再実装であるJAXtariを紹介する。 大規模なGPU並列化を活用することで、JAXtariは、PPOエージェントが1時間以内で、単一のA100-GPU上で100M環境ステップのトレーニングを完了することができる。 スピードを超えて、物体中心の観察と柔軟な修正システムを提供し、例えば、ニューロシンボリックな方法を開発したり、新しいショートカットを発見し、その後すぐにエージェントを訓練し、数分で適応させることができる。

関連論文リスト

• Accelerating Local AI on Consumer GPUs: A Hardware-Aware Dynamic Strategy for YOLOv10s [0.0]
  アーキテクチャ変更を必要としないモデル非依存のアプローチであるTwo-Pass Adaptive Inferenceアルゴリズムを導入する。 5000イメージのCOCOデータセット上では、PyTorch Early-Exitベースラインの1.85倍の高速化を実現し、mAP損失は5.51%である。
  論文  参考訳（メタデータ） (2025-09-09T17:13:31Z)
• 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)
• Sample Factory: Egocentric 3D Control from Pixels at 100000 FPS with Asynchronous Reinforcement Learning [68.2099740607854]
  サンプルファクトリー(Sample Factory)は、シングルマシン設定に最適化された高スループットトレーニングシステムである。 我々のアーキテクチャは、非常に効率的で非同期なGPUベースのサンプリングと、オフポリシー補正技術を組み合わせています。 我々は,Sample Factoryを拡張して,セルフプレイと人口ベーストレーニングをサポートし,これらのテクニックを多人数一対一シューティングゲームのための高度なエージェントの訓練に応用する。
  論文  参考訳（メタデータ） (2020-06-21T10:00:23Z)

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。