All translations

Enter a message name below to show all available translations.

Found 3 translations.

Name	Current message text
^h English (en)	We evaluate the impact of changing the number <math>N</math> of past observations in the conditioning context by training models with <math>N \in \{ 1,2,4,8,16,32,64\}</math> (recall that our method uses <math>N = 64</math>). This affects both the number of historical frames and actions. We train the models for 200,000 steps keeping the decoder frozen and evaluate on test-set trajectories from 5 levels. See the results in Table [https://arxiv.org/html/2408.14837v1#S5.T1 1]. As expected, we observe that generation quality improves with the length of the context. Interestingly, we observe that while the improvement is large at first (e.g., between 1 and 2 frames), we quickly approach an asymptote and further increasing the context size provides only small improvements in quality. This is somewhat surprising as even with our maximal context length, the model only has access to a little over 3 seconds of history. Notably, we observe that much of the game state is persisted for much longer periods (see Section [https://arxiv.org/html/2408.14837v1#S7 7]). While the length of the conditioning context is an important limitation, Table [https://arxiv.org/html/2408.14837v1#S5.T1 1] hints that we’d likely need to change the architecture of our model to efficiently support longer contexts, and employ better selection of the past frames to condition on, which we leave for future work.
^h Spanish (es)	Evaluamos el impacto de cambiar el número <math>N</math> de observaciones pasadas en el contexto de condicionamiento entrenando modelos con <math>N \in \{ 1,2,4,8,16,32,64\}</math> (recordemos que nuestro método utiliza <math>N = 64</math>). Esto afecta tanto al número de fotogramas históricos como al de acciones. Entrenamos los modelos durante 200.000 pasos manteniendo congelado el decodificador y evaluamos en trayectorias de prueba de 5 niveles. Véanse los resultados en la Tabla [https://arxiv.org/html/2408.14837v1#S5.T1 1]. Como era de esperar, observamos que la calidad de la generación mejora con la longitud del contexto. Curiosamente, observamos que, aunque la mejora es grande al principio (por ejemplo, entre 1 y 2 fotogramas), rápidamente nos acercamos a una asíntota y seguir aumentando el tamaño del contexto sólo proporciona pequeñas mejoras en la calidad. Esto es algo sorprendente, ya que incluso con nuestra longitud de contexto máxima, el modelo sólo tiene acceso a poco más de 3 segundos de historia. En particular, observamos que gran parte del estado del juego persiste durante períodos mucho más largos (véase la Sección [https://arxiv.org/html/2408.14837v1#S7 7]). Aunque la longitud del contexto de condicionamiento es una limitación importante, la Tabla [https://arxiv.org/html/2408.14837v1#S5.T1 1] sugiere que probablemente necesitaríamos cambiar la arquitectura de nuestro modelo para soportar eficientemente contextos más largos, y emplear una mejor selección de los fotogramas pasados sobre los que condicionar, lo que dejamos para futuros trabajos.
^h Chinese (zh)	我们通过训练使用<math>N \in \{ 1,2,4,8,16,32,64\}</math>的模型来评估改变条件上下文中过去观测值数量<math>N</math>的影响（请注意，我们的方法使用<math>N = 64</math>）。这影响了历史帧和动作的数量。我们在解码器保持冻结的情况下训练模型200,000步，并在5个级别的测试集轨迹上进行评估。结果见表[https://arxiv.org/html/2408.14837v1#S5.T1 1]。正如预期的那样，我们发现生成质量随着上下文长度的增加而提高。有趣的是，我们观察到，尽管最初（例如在1到2帧之间）提升较大，但很快就接近一个渐近线，进一步增加上下文长度只能带来微小的质量提升。这有些令人惊讶，因为即使在我们使用的最大上下文长度下，模型也只能访问略多于3秒的历史。值得注意的是，我们观察到大部分游戏状态会持续更长时间（见第[https://arxiv.org/html/2408.14837v1#S7 7]节）。虽然条件上下文长度是一个重要的限制，但表[https://arxiv.org/html/2408.14837v1#S5.T1 1]提示我们可能需要改变模型的架构，以有效支持更长的上下文，并更好地选择过去的帧作为条件，这将是我们未来的工作。