Jun, 2023

智能体中的基因

PDF
TL;DR基于基因学概念，本文提出了一种名为遗传增强学习（GRL）的计算框架，有助于代理的训练和进化。GRL 中的基因以代理神经网络的片段形式保存，通过祖先的知识遗传和演化，使代理具有更好，更稳定的学习能力，同时提供了有关智能代理 Lamarckian 演化的证据。
reinforcement learninggenetic reinforcement learningneural networkslamarckian evolutionagent training
发现论文，激发创造
  • 强化学习技术革命基因组学

    该文以综述的形式介绍了强化学习在基因组学领域中的应用，着重于基因调控网络、基因组装和序列比对等研究领域。通过提出一些新方向和探讨强化学习的局限性，该综述对当前领域的现状和未来趋势进行了总结。

    Feb, 2023

  • 利用学习目标改善元强化学习中的泛化能力

    该论文介绍了一种新型元强化学习算法 MetaGenRL, 可以将多个复杂智能体的经验精炼为低复杂度的神经目标函数，并可以推广到不同于元训练的新环境中发挥作用，具有大幅增加采样效率的离线二阶梯度。

    Oct, 2019

  • 人工生成智能：增强学习中的文化积累

    人工学习代理的文化积累对于开放和多样化的能力发展起着推动作用，尤其是强化学习的文化积累模型以平衡单一生命周期的创新与模仿来取得成功，这为更加开放的学习系统提供了新的机会并为建模人类文化提供了新的途径。

    Jun, 2024

  • 近端蒸馏进化强化学习

    本文提出一种新的算法 Proximal Distilled Evolutionary Reinforcement Learning (PDERL)，通过对深度神经网络进行基于学习的变异操作，弥补了简单遗传编码的缺陷，优于 Evolutionary Reinforcement Learning (ERL) 和两种现有的强化学习算法。

    Jun, 2019

  • 用简单的进化思想辅助基于梯度的强化学习

    我们提出了一种简单而有效的强化学习算法，通过使用进化算子在强化学习中引入大的有向学习步骤，并使用具有共同经验缓冲区的强化学习代理人种群进行训练，从而有效地搜索策略空间。

    May, 2023

  • 学习的进化理论：从自然选择到强化学习

    本文探讨了进化和强化学习之间的联系和影响，并强调了强化学习原理提高对进化和反馈在进化系统中作用的理解的潜力。

    Jun, 2023

  • 多智能体强化学习实现新兴社交学习

    该论文研究在多智能体环境下，独立强化学习代理人是否可以学习使用社会学习来提高性能，并发现通过在训练环境中强加约束条件和引入基于模型的辅助损失，可以获得广义的社会学习策略，使代理人能够发现不是通过单个代理人训练获得的复杂技能并且通过从新环境的专家那里获取线索在线适应新环境。

    Oct, 2020

  • 演化引导的强化学习策略梯度

    本文介绍了一种基于人工进化算法和深度强化学习相结合的进化增强学习算法，该算法克服了传统深度强化学习算法中时序资格分配、探索效率和收敛性极度敏感的问题，使用基于种群的进化算法来训练深度强化学习代理人，实验结果表明，该方法在多种连续控制基准测试中显著优于传统深度强化学习和进化算法方法。

    May, 2018

  • 深度神经进化：遗传算法是训练深度神经网络进行强化学习的竞争性替代方案

    我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现，即使没有梯度信息支持，我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功，并且速度比其他算法更快，能够实现高效编码。

    Dec, 2017

  • 知识驱动强化学习

    本文提出一种名为知识引导强化学习（KGRL）的框架，该框架采用一种基于嵌入式的注意机制，可以在训练和推理阶段中灵活地改编、重新排列和重复使用外部知识，使得 RL 智能体更受社会接受，并在离散和连续动作空间的任务中展现出更高的样本效率和可解释性。

    Oct, 2022