强化学习中的结构：综述与开放问题

Jun, 2023

强化学习中的结构：综述与开放问题

Structure in Reinforcement Learning: A Survey and Open Problems

Aditya Mohan, Amy Zhang, Marius Lindauer

TL;DR为了克服弱数据效率、泛化能力有限、安全保障缺失、解释性差等因素导致强化学习在实际应用中面临的挑战，该论文提出了一种集成结构信息的方法来提高 RL 算法的性能和效率，并将结构信息的不同模式进行了分类，并提供了设计模式方面的新视角。

Abstract

reinforcement learning (RL), bolstered by the expressive capabilities of Deep Neural Networks (DNNs) for function approximation, has demonstrated considerable success in numerous applications. However, its practicality in addressing a wide range of real-world scenarios, characterized b

reinforcement learning deep neural networks inductive biases structural information rl algorithms

发现论文，激发创造

自动强化学习（AutoRL）：调查和开放问题

通过对自动强化学习的调查，我们提供了一个共同的分类法、详细讨论了每个领域并提出了研究中感兴趣的开放性问题。

Jan, 2022

基于自然语言启发的强化学习综述

提出了将自然语言理解与强化学习紧密结合的想法，并对现有技术及未来研究方向进行了调研。

Jun, 2019

使用《隐藏规则》游戏比较强化学习和人类学习

本文通过构建一个学习环境，研究深入分析任务结构对人类学习和增强学习的影响，并通过任务结构的实验，证明这个学习环境能够帮助人们研究任务结构对于人类和增强学习算法差异的影响。

Jun, 2023

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

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

知识表示与推理的强化学习：简要综述

该文综述了利用知识表示与推理方法在强化学习中更抽象表现和更有效学习的领域中取得的进展和应用，并讨论了未来在此领域中需要解决的挑战和可能的方向。

Apr, 2023

自动强化学习概述

论文探讨自动化强化学习的关键元素和挑战，并讨论自动化强化学习的最新工作、应用和研究方向。

Jan, 2022

强化学习在交易系统中的应用：调查

本研究基于强化学习技术的理论基础和概念，对 29 篇相关研究进行了综合分析和比较，总结出了当前的系统设计最佳实践、需要进一步研究的领域和有前途的研究机会。此外，本文还试图通过帮助研究人员遵守标准和避免偏离强化学习构造的坚实基础来促进该领域的发展。

Nov, 2022

因果强化学习调查

研究人员通过借鉴因果关系文献的见解，引入因果关系和强化学习，划分了现有 Causal Reinforcement Learning (CRL) 方法的两类，并分析了每一类的不同模型的形式化。

Feb, 2023

关于信息结构在不完全可观察的序列团队与游戏中的增强学习的作用

通过明确信息结构，我们提出了新的强化学习模型，捕捉了经典模型作为特例，以更丰富的方式分析顺序决策问题并实现更具针对性的算法设计。

Mar, 2024