Dream v3 z Kolmogorov-Arnold Networks

Celem projektu jest ewaluacja potencjału integracji architektury sieci neuronowych opartej na twierdzeniu Kołmogorowa-Arnolda (KAN) z paradygmatem uczenia ze wzmocnieniem opartym na modelu (model-based RL), reprezentowanym przez agenta Dreamer v3. Proponowana metodologia zakłada stworzenie dedykowanych implementacji KAN możliwych do wykorzystania zamiast konwencjonalnych wielowarstwowych perceptronów (MLP) w fundamentalnych komponentach decyzyjnych – Actor i Critic networks. Główna hipoteza badawcza mówi, że nadrzędne właściwości aproksymacyjne KAN przełożą się na wymierny wzrost efektywności próbkowania (sample efficiency) oraz zdolności do generalizacji agenta w kontekście złożonych, dynamicznych procesów decyzyjnych. Wydajność zmodyfikowanego agenta zostanie rygorystycznie porównana z oryginalną implementacją na dwóch kluczowych benchmarkach: Atari 100k, weryfikującym szybkość nauki przy ograniczonej liczbie danych, oraz w wymagającym środowisku Minecraft, testującym zdolności do hierarchicznego planowania i adaptacji.