AAAIOct, 2017

Rainbow: 深度强化学习的综合改进

PDF
TL;DR本文通过详尽的消融研究，考察了 6 种方法扩展 DQN 算法，实验结果表明这些方法的综合应用取得了 Atari 2600 基准测试最先进的性能，在数据效率和最终性能方面都取得了显著的改善。
deep reinforcement learningdqn algorithmatari 2600 benchmarkdata efficiencyablation study
发现论文，激发创造
  • 重新审视 Rainbow：促进更具启示性和包容性的深度强化学习研究

    本文讨论在计算资源不足的情况下，重点研究小规模环境对于强化学习的科学洞见和降低贫困社区进入门槛的重要性，并通过更深入的研究 Rainbow 算法来证实此论点。

    Nov, 2020

  • 使用浅层强化学习技术控制 Atari 游戏的现状

    本文研究深度强化学习算法 DQN 在 Atari 2600 游戏中成功的关键，并提供一种通用的表示方法，以减轻对每个游戏进行表示学习的负担，并为未来 ALE 计算机学习领域提供了可复制和可比性的基准。

    Dec, 2015

  • 双 Q 学习的深度强化学习

    本文针对 DQN 算法中 Q-learning 超估计行动价值的问题，提出了 Double Q-learning 算法，通过将其与深度神经网络结合得到了一种新的算法，并在数个游戏里得到了更好的表现。

    Sep, 2015

  • Quality-Diversity 与深度强化学习之间的协同作用理解

    研究提出了一个统一的模块化框架，名为通用 Actor-Critic Quality-Diversity Deep Reinforcement Learning，以探究深度强化学习中的洞察，并将其应用于 Quality-Diversity 算法，进而提出 PGA-ME (SAC) 和 PGA-ME（DroQ）算法以解决人性化难题，同时演示了境外评估对演员批评模型的必要性。

    Mar, 2023

  • DQN 中的泛化和正则化

    本研究提出了一种在不同 Atari 2600 游戏模式下进行强化学习泛化评估的方法，并证明 DQN 存在过度训练环境的问题；通过适当运用 dropout 和正则化，以及优化表示来提高泛化能力，有效提升 DQN 的样本效率。

    Sep, 2018

  • Atari 深度强化学习中数据效率评估需使用适当的基线

    该研究论文探讨了如何提高深度增强学习的数据效率，并证明了新提出的技术并没有真正提高数据效率，而是增加了复杂性和计算成本，提出了一种新的改进的 DQN 算法，并建议将其作为未来改进深度强化学习数据效率的基准。

    Mar, 2020

  • 学习解读 Atari 代理

    本文提出了使用区域感知注意力机制的深度强化学习模型，其能够利用注意力模块学习输入域中的重要区域。在推理过程中，通过反向传播梯度可视化决策最为重要的区域。该模型不仅提高了模型的可解释性，而且也带来了性能的改进。在 Atari 2600 游戏测试中，取得了良好的实验结果。

    Dec, 2018

  • 使用深度强化学习玩 Atari 游戏

    本文介绍了一种使用卷积神经网络和增强学习从高维感知输入中直接学习控制策略的深度学习模型，并将其应用于七个 Atari 2600 游戏中，发现在 6 个游戏上优于以往的方法，在其中三个游戏中超过了人类专家。

    Dec, 2013

  • Atari 游戏中联合视频帧和奖励预测的深度学习方法

    本文介绍一种在高维视觉状态空间下学习动态系统和奖励函数的方法，将视觉帧预测的深度神经网络扩展为同时预测奖励，利用联合优化问题最小化奖励和视觉帧的重构误差，并在五个 Atari 游戏上经过实证评估，取得了高达 200 帧的准确累计奖励预测结果。

    Nov, 2016

  • 深度强化学习在 Atari 上真的超越人类了吗？平衡竞技场

    介绍了 SABER 工具以及 human world records baseline, 通过 SABER 对当前最先进的 Rainbow 项目进行了评估，通过将 Implicit Quantile Networks 添加到 Rainbow 中提出了 Rainbow-IQN 算法用于提高性能。

    Aug, 2019