将多类别分类算法与深度 Q 网络结合

Jul, 2023

将多类别分类算法与深度 Q 网络结合

Incorporating Deep Q -- Network with Multiclass Classification Algorithms

Noopur Zambare, Ravindranath Sawane

TL;DR我们研究了如何使用深度 Q 网络（DQN）来提高多类分类算法的功能性，并利用 Kaggle 的基准数据集创建了将 DQN 与现有的监督式多类分类算法结合的框架。本研究的发现将揭示深度强化学习策略如何提高多类分类准确性，并应用于图像识别、自然语言处理和生物信息学等多个领域。本研究的重点是预测企业的财务困境以及深度 Q 网络在多类分类中的更广泛应用。识别可能处于财务困境的企业是金融和风险管理领域的关键任务。当企业的运营遇到严重挑战、履行财务责任困难时，就说它处于财务困境。这通常发生在公司的盈利出现急剧持续的衰退、现金流问题或者不可持续的债务水平时。

Abstract

In this study, we explore how deep q-network (DQN) might improve the functionality of multiclass classification algorithms. We will use a benchmark dataset from Kaggle to create a framework incorporating DQN with

deep q-network multiclass classification benchmark dataset reinforcement learning financial distress

发现论文，激发创造

不平衡分类的深度强化学习

基于深度强化学习的不平衡数据分类模型，通过将分类问题视为顺序决策过程，使用深度 Q 学习网络解决。在奖励函数和有益的学习环境的指导下，该模型能够更有效地识别少数样本，具有优异的分类性能。

Jan, 2019

多类别不平衡训练的深度强化学习

针对日益复杂和不平衡的数据集，提出了一种基于强化学习的不平衡分类框架，并将其扩展为多类设置。在真实的临床案例研究中，实验表明该框架优于现有的不平衡学习方法，可以实现更公平和平衡的分类，同时也显着提高少数类别的预测准确性。

May, 2022

金融中的深度学习

使用深度学习层次模型探索金融预测和分类问题，应用深度学习方法可以比现有标准方法更好地解决大规模数据集中的复杂数据交互问题，以便探测和利用当前任何金融经济理论看不到的数据交互。

Feb, 2016

数字资产投资组合管理与风险评估的深度学习预测分析优化

在这篇论文中，作者介绍了 DQN 算法在资产管理组合中的创新和直接应用，并且表明 DRL 算法在投资组合管理中的有效性，同时提出了通过添加约束条件来改善结果的建议。

Feb, 2024

FDQN：一种用于游戏自动化的灵活深度 Q 网络框架

在这项研究中，提出了一种最新的灵活深度 Q 网络 (FDQN) 框架，能够通过自适应方法在动态环境中处理高维度感知数据，实时进行决策，并动态调整模型结构以适应不同游戏环境的行动空间，相对于基准模型，在各种 Atari 游戏和 Chrome Dino 游戏中取得优异表现。该框架采用 epsilon-greedy 策略有效平衡新的学习和探索，其模块化结构可以轻松应用于其他基于 HTML 的游戏，同时提到了该框架在实验室条件下成功解决了一个明确定义的任务，并探讨了其在更具挑战的真实世界情境和自动化游戏玩法等领域的潜在应用。

May, 2024

多类量子卷积神经网络

使用 PennyLane 实现的量子卷积神经网络（QCNN）通过参数化量子电路优化来最小化交叉熵损失，用于经典数据的多类分类，在 MNIST 数据集上的实验结果表明，对于 4 类问题，性能略低于经典 CNN，但对于更多类别的问题，量子卷积神经网络表现出更好的性能。

Apr, 2024

如何折扣深度强化学习：走向新的动态策略

本文研究使用深度神经网络作为函数逼近器来解决逼近真实世界复杂度的强化学习问题。同时，我们探讨了折扣因子在深度 Q 网络（DQN）学习过程中所起的作用，实验结果表明在逐渐增加折扣因子值的情况下，可以显著降低 DQN 学习步骤的数量。当与变动的学习率一起使用时，其在多项实验中均优于原始 DQN，并将这一现象与神经网络在近似于动态规划设置中的不稳定性联系起来，同时描述了在学习过程中可能陷入局部最优解的可能性，从而将我们的讨论与探索 / 利用困境联系起来。

Dec, 2015

多智能体系统的深度策略推断 Q 网络

本文介绍了 DPIQN 和 DRPIQN，这两个深度增强学习网络通过使用从协作者和对手的原始观察中推断出的策略特征来改进对可控制代理的 Q 值预测，适用于具有不同策略的协作者、对手和可控制代理的多智能体系统中。作者通过 1 对 1 和 2 对 2 的经典足球游戏等多种多智能体场景中的实验证明了这两个模型的高性能。

Dec, 2017

使用深度强化学习进行代价昂贵的特征分类

本文研究一个分类问题，针对特征的代价进行优化，通过应用神经网络的顺序决策方法来解决分类问题，表现与专为此问题开发的算法相当，并且灵活性高，可通过引入预先训练的高性能分类器来改进。

Nov, 2017

深度强化学习下的多智能体合作与竞争

本文探讨了如何在多智能体环境下，运用扩展后的 Deep Q-Learning Network，使两个由独立的 Deep Q-Networks 控制的 agents，相互作用以玩经典的电子游戏乒乓球，以及通过改变 Pong 经典奖励方案，演示出竞争和合作性行为的出现。研究表明 Deep Q-Networks 可以成为在高度复杂环境中研究分散式学习的多智能体系统的实用工具。

Nov, 2015