将 VGDL 编译为因果模型

摘要

arXiv:2609.05459v1 Announce Type: new Abstract: Reinforcement learning and large language models often struggle to accurately capture the causal mechanics of game environments. Standard reinforcement ...

causal game models learning and the large language mechanics reinforcement

2026-09-09 1 阅读约1分钟阅读 Mohit Jiwatode, Bodo Rosenhahn, Alexander Dockhorn

arXiv:2609.05459v1 公告类型：新摘要：强化学习和大型语言模型通常难以准确捕捉游戏环境的因果机制。标准强化学习代理倾向于依赖虚假相关性，而大型语言模型则容易产生幻觉的游戏规则。尽管因果强化学习提高了可解释性，但目前还没有正式的方法将复杂的游戏机制直接映射到因果模型中。为了解决这个问题，我们提出了一个确定性框架，将视频游戏描述语言中指定的游戏编译为动态结构因果模型。我们的方法不是从游戏轨迹或嘈杂的大型语言模型的输出中推断因果结构，而是直接将游戏组件（包括精灵动力学、交互规则和终止条件）转换为显式结构方程。每个游戏刻度代表从时间 $t$ 的状态变量到 $t+1$ 的因果转换。通过建立这种接地映射，该方法保证了对真实游戏机制的绝对因果保真度。由此产生的模型提供了透明的因果路径，支持反事实推理、因果强化学习代理训练和程序内容验证。该框架在符号游戏描述和因果游戏人工智能之间架起了一座原则性的桥梁。

订阅66必读