NIPSJun, 2018

利用无模型 Q 集成和基于模型方法相结合进行知情探索

PDF
TL;DR本论文提出将模型自由的 Q-Ensembles 和基于模型的方法相结合，以期望增强其探索能力。结果表明，当基于轨迹记忆的模型与 Q-Ensembles 方法相结合时，可以得到比仅使用 Q-Ensembles 方法更优越的性能。
q-ensemblesmodel-freeexplorationmodel-basedtrajectory memory
发现论文，激发创造
  • 用预训练神经网络集成进行透射电子显微图像分割和质量检测

    本专业研究了机器学习在电子显微数据集分析中的应用问题，因为这种类型的数据集具有许多挑战，包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现，使用 EA 方案的集合设计比 ER 方式更适合处理这些问题，因为 EA 表现出更好的分类精度和更好的校准性，而这两种集合的不确定性量化相当。

    Sep, 2022

  • 集成算法处理模型不确定性下的一致解释

    该研究利用集成方法，针对预测模型的不确定性问题，提高了解释的一致性，并在金融数据集上进行实验，证明了集成方法在机器学习中提高可靠性的有效性。

    Jun, 2023

  • 基于模型集合的效率高的强化学习算法：探索与利用

    本文提出了模型集成的方法 MEEE，其中含有一些特殊的探索和利用策略，解决了现有方法中存在的问题，包括计划探索、评估学习模型的不确定性以及更加合理利用学习模型等。在多项持续控制基准测试中，该方法表现优于其他无模型和有模型的现有方法，尤其在样本复杂度方面表现更加卓越。

    Jul, 2021

  • 增强式生成模型

    本文提出了一种新的无监督 boosting 方法来创建生成模型的集成，进一步允许集成包括区分真实数据和模拟生成数据的判别模型。作者证明了这种方法在一定条件下能将新模型集成进来以提升适合度，并在基准数据集上对密度估计、分类和样本生成的广泛生成模型应用中展示了黑盒 boosting 算法的有效性。

    Feb, 2017

  • 强化学习中的无模型主动探索

    采用信息论的观点，我们研究强化学习中的探索问题，并提出了一种新颖的无模型解决方案，通过推导实例特定的下界以及最优的探索策略，我们衍生出一种基于集成模型的无模型探索策略，适用于表格和连续马可夫决策过程， 数值结果表明我们的策略能够比最先进的探索方法更快地找到高效的策略。

    Jun, 2024

  • 基于模型的主动探索

    论文提出了一种高效的 Model-Based Active eXploration (MAX) 算法用于强化学习中的有效探索，该算法使用前向模型的集合来规划观察新事件的行为，优化代理行为，通过基于贝叶斯的探索估计集合成员之间的未来预测差异衡量新颖性，实验证明在半随机离散环境中 MAX 比强基线算法至少高效一个数量级，能够扩展到高维连续环境。

    Oct, 2018

  • 深度集成：一种损失景观的视角

    通过研究深度神经网络的损失函数平面的同构性，我们证明了深度集合优于贝叶斯神经网络在提高准确度和对数据集变化的鲁棒性方面，并发现随机初始化的权重可以探索不同的函数空间而产生更多样的结果。

    Dec, 2019

  • 贝叶斯模型平均中模式探索在神经网络中的有效性研究

    本文针对采用多个不同起点训练或在训练期间得到多个解法的深度集成方法，在探索与其算法解法的局部区域 (后验模式) 相比，评估了利用贝叶斯推断技术、Hamiltonian Monte Carlo 等方法探索权重空间局部区域的效果，并在多个简单方法的组合中展示它们极少改进模式集成的性能。

    Dec, 2021

  • 约束优化模型集成

    通过多调整技术和组合模型来改进多维输出预测的下游优化问题，提出了两个高效收敛的算法，并在实验中对其性能和行为进行了探索。

    May, 2024

  • 基于 CNN 的解释集成用于数据集、表示和解释评估

    通过合并深度分类模型生成的解释，研究人员探索了可解释人工智能的潜力，以揭示模型行为的更一致和可靠的模式，进而评估模型所学到的表示。使用选定的 Quantus 库评估指标，证明该方法在本地化和可信度方面的性能优于单个解释。

    Apr, 2024