Sep, 2016

深度符号强化学习

PDF
TL;DR该研究提出了一个神经和符号端到端强化学习架构，能够克服当前深度学习技术的局限性，如需要非常大的数据集工作、难以实现高级认知功能和透明性欠佳等。研究者以简单的视频游戏为例，展示了这个架构的实现原型，结果表明它能够有效地学习，并通过获得一组符号规则，可将性能提高到比传统完全神经强化学习系统更好的水平。
deep reinforcement learningneural networkssymbolic reasoningverifiabilitycognitive functions
发现论文，激发创造
  • 深度可解释关系强化学习：神经符号方法

    提出了一种新的框架 Deep Explainable Relational Reinforcement Learning (DERRL)，它结合了神经网络和符号世界的优势来提取可解释的策略。通过在倒计时游戏、积木世界、网格世界和交通等不同环境中的实验证明，DERRL 可以适用于不同的配置和情境，从而具有通用性。

    Apr, 2023

  • 神经逻辑强化学习

    本文提出了一种名为神经逻辑强化学习（NLRL）的新算法，基于策略梯度方法和可微分归纳逻辑编程，通过一阶逻辑来表示强化学习中的策略，解决了深度神经网络难以解释和学习泛化能力低的问题。实验表明，该算法可以在不同的环境下归纳出解释性强且性能接近最优的策略。

    Apr, 2019

  • SDRL：利用符号计划的可解释且数据高效的深度强化学习

    该研究提出了一种符号深度强化学习（SDRL）框架，该框架通过引入符号规划来实现任务层面的可解释性，并运用计划器 - 控制器 - 元控制器架构进行子任务调度、数据驱动子任务学习和子任务评估，实现与长期规划能力、符号知识以及直接从高维感官输入进行端到端强化学习的优点相结合，并在实验结果中证实了子任务可解释性与与现有技术相比的数据效率改进。

    Oct, 2018

  • 现代深度强化学习算法

    综述最新深度加强学习算法，重点关注其理论论证、实际限制和观察到的经验特性。

    Jun, 2019

  • 视频游戏中深度强化学习综述

    本文综述了深度强化学习 (DRL) 的进展，包括基于价值、基于策略和基于模型的算法，并对其在游戏 AI 领域内的应用和挑战进行了讨论和总结。

    Dec, 2019

  • 基于神经符号深度强化学习的安全自主驾驶政策

    本研究介绍了一种名为 DRLSL 的新的神经符号模型自由深度强化学习方法，将深度强化学习与符号逻辑知识驱动推理相结合，可以在现实环境下实现安全学习，以实现自主驾驶政策，并可在训练和测试阶段成功避免不安全的行为，且比传统的深度强化学习方法更具有一般性和更快的收敛速度。

    Jul, 2023

  • 神经符号强化学习与规划：综述

    本文通过进行文献调查，以三个构成神经符号强化学习的组件为重点（神经网络、符号和强化学习），将研究作品进行分类，并分析其强化学习部分的组成。同时，发现了该领域中的研究机会和挑战。

    Sep, 2023

  • 走向具备常识的符号强化学习

    本论文提出了一种名为 Symbolic Reinforcement Learning with Common Sense (SRL+CS) 的算法，它在奖励分配和 Q 值聚合时结合了常识原则，使得在转移学习和零 - shot 转移学习等方面具有更好的泛化和特化表现。实验结果表明，SRL+CS 算法比 Q-learning 和 DSRL 算法更为快速且更准确，是近乎完美零 - shot 转移学习在强化学习领域的首次尝试。

    Apr, 2018

  • 自主驾驶的深度强化学习：一份综述

    本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

    Feb, 2020

  • 深度强化学习简介

    介绍了深度强化学习的模型、算法和技术，着重讨论与泛化相关的方面以及深度强化学习在实际应用中的使用。

    Nov, 2018