Feb, 2022

实践中的强化学习：机遇与挑战

PDF
TL;DR本文是对强化学习领域的实际应用、机遇和挑战进行较为温和的讨论，涉及深度学习、机器学习和人工智能等多个方面，并且重点考虑了强化学习在产品与服务、游戏、推荐系统、机器人技术、交通、金融和经济、医疗保健、教育、组合优化、计算机系统、科学和工程等方面的应用。其中也讨论了强化学习面临的基础、表达、奖励、探索、模型、仿真、计划、基准测试、离线学习、元学习、可解释性、约束、软件开发和部署、商业化等多个挑战。最后，本文试图回答 “为什么强化学习在实践中并没有被广泛采用？” 和 “什么时候强化学习有用？” 两个问题。
reinforcement learningdeep learningopportunitieschallengesapplications
发现论文，激发创造
  • 现实世界强化学习挑战的经验研究

    本文针对强化学习在实际问题中难以部署的问题，提出了一系列的挑战，并通过 Markov 决策过程定义这些挑战并分析其影响，同时探讨了一些现有的解决方法。为了验证算法的可部署性，我们提出并开源了 realworldrl-suite 套件作为一个基准测试集。

    Mar, 2020

  • 现实世界强化学习的挑战

    介绍了 Reinforcement Learning 在实际场景应用中的九个挑战及相应的方法和评估指标，并给出了一个示例领域用于实际 RL 研究的测试平台。

    Apr, 2019

  • 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

  • 用深度强化学习训练机器人的方法：我们所学到的教训

    本文评估了深度强化学习在现实世界机器人中的应用，包括学习知觉和运动等复杂技能的案例研究以及相关挑战。

    Feb, 2021

  • 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

  • 强化学习应用

    本文介绍了强化学习的基础知识、成功应用案例、ICML 2019 研讨会等内容，重点讨论了其在推荐、机器人等应用领域中的应用。

    Aug, 2019

  • 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

  • 多智能体系统的深度强化学习：挑战、解决方案和应用综述

    此篇论文介绍了多智能体深度强化学习的不同方法，包括非静态性、部分可观测性、连续的状态和操作空间、多智能体训练机制、多智能体转移学习，并分析和讨论了这些方法的优缺点及其相关应用，旨在促进更加健壮和高效的多智能体学习方法的发展。

    Dec, 2018

  • 机器人强化学习简介

    本文旨在介绍强化学习在机器人自主行动和控制方面的应用，同时关注问题的关键挑战和未来研究方向。

    Oct, 2022

  • 深度强化学习教科书

    本书提供了深度强化学习领域的全面概述，主要涵盖了建立领域基础，算法和应用，同时介绍了一些先进主题，如深度多智能体强化学习、深层次强化学习和深元学习；本书适用于人工智能的研究者、从业者和研究生，假定读者具有本科水平的计算机科学和人工智能理解，编程语言使用 Python。

    Jan, 2022