ICLRApr, 2021

神经科学和强化学习之间的学习差距

PDF
TL;DR本研究介绍了人工智能与神经科学的联系，探讨了强化学习算法在神经科学领域的应用，通过扩展 T 型迷宫任务进行实验验证表明，现有算法无法解决该问题，并提出神经科学的见解可能有助于解释部分问题。
artificial intelligenceneurosciencereinforcement learningt-maze taskstate-of-the-art algorithms
发现论文，激发创造
  • 神经科学中的强化学习简介

    强化学习和神经科学之间存在紧密的联系，本论文通过回顾经典强化学习和介绍现代深度强化学习的方法，以及其在系统神经科学中的应用，阐述了这种联系。

    Nov, 2023

  • 深度强化学习及其神经科学意义

    这篇综述性研究论文介绍了深度强化学习在神经科学中的应用，讨论了其对大脑和行为研究的影响，并提出了未来研究的机会。

    Jul, 2020

  • 脑科学和认知心理学发现综述作为通往人工智能广泛智能的灵感可能性

    该综述旨在通过研究神经科学和认知心理学的方法，为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展，但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中，以克服数据驱动的限制，并以更加接近人类智能的方式支持决策。本工作是一项纵向综述，试图广泛探索大脑功能的范围，包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念，如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。

    Jan, 2024

  • 强化学习：一项调查

    本论文从计算机科学的角度调查了强化学习领域，包括历史、现状和实践应用等方面，并重点探讨了强化学习中的中心问题，如平衡探索和利用、马尔可夫决策理论、延迟强化学习等。

    May, 1996

  • 生成型人工智能的强化学习：现状和机遇，开放研究挑战

    通过应用强化学习于生成型人工智能，我们讨论了现有技术水平、机会以及开放性研究问题。具体而言，我们分析了三种应用情况，包括没有指定目标的生成方法、在最大化目标函数的同时生成输出的方法，以及将难以通过目标函数捕捉到的所需特征嵌入生成过程的方法。这一令人着迷的新兴领域的机会和挑战也在调查中得到了深入讨论。

    Jul, 2023

  • 强化学习智能体中自然出现类脑式回放

    在这项工作中，通过使用基于循环神经网络的强化学习模型，我们在任务优化范式下发现了自然出现的回放，它模拟了海马体和前额叶皮质的互联以及感觉皮质输入，而回放在任务表现上能很好地匹配动物实验数据，同时也成功地再现了局部和非局部回放，这与人类实验数据相吻合，这为我们理解回放背后的机制提供了一种新途径。

    Feb, 2024

  • 深度强化学习中的迁移学习：综述

    调查了深度强化学习中迁移学习方法的最新进展，提供了对目标，方法，兼容强化学习骨架以及实际应用等方面分析的框架，并从强化学习的角度探讨了迁移学习与其他相关话题之间的联系和潜在挑战。

    Sep, 2020

  • 使用脑启发的调制强化学习可以提高对环境变化的适应能力

    研究提出了一种新的神经元学习规则，它使用突触前输入来调制预测误差，将其嵌入表格和深度 Q 网络强化学习算法中，可以在简单而高动态的任务中胜过传统算法，这提出了一种新的生物智能核心原则。

    May, 2022

  • 使用 NEAT 和强化学习无限制地玩 2D 游戏

    本研究采用 “Flappy Bird” 游戏环境，对比 NeuroEvolution of Augmenting Topologies (NEAT) 算法和强化学习算法在人工智能代理环境下的表现，探讨具有不同初始人工智能代理种群的算法性能。

    Jul, 2022

  • 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