Авторы представляют Latent Memory Palace (LMP), метод, который позволяет осуществлять рассуждения для политик непрерывного управления путём организации информации в авторегрессионном латентном пространстве. Подход формулирует эти рассуждения как вариационное выведение с авторегрессионным латентным распределением и выводит технику усиленного обучения в латентном пространстве для оптимизации её вариационной нижней границы.
- Полученная политика LMP-$\pi$ демонстрирует высокую эмпирическую эффективность в симуляциях и реальных доменах, одновременно проявляя интерпретируемое и адаптивное распределение вычислений во время тестирования.
- Фреймворк также даёт токенизатор действий переменной длины LMP-$\texttt{tok}$, который существенно улучшает производительность последующих авторегрессионных политик.
Эти результаты представляют новый взгляд на латентное рассуждение для управления через призму вариационного выведения.