深度强化学习系统部署：挑战分类

Aug, 2023

深度强化学习系统部署：挑战分类

Deploying Deep Reinforcement Learning Systems: A Taxonomy of Challenges

Ahmed Haj Yahmed, Altaf Allah Abbassi, Amin Nikanjam, Heng Li, Foutse Khomh

TL;DR该研究通过对开发人员常见问题解答平台 Stack Overflow 上的相关帖子进行实证研究，揭示并理解开发人员在部署深度强化学习系统时面临的挑战。结果显示，DRL 部署比其他问题更困难，而与 RL 环境相关的挑战是最常见和最困难的。希望这项研究能够激发未来的研究，并帮助社区克服开发人员在部署 DRL 系统时面临的最常见和最困难的挑战。

Abstract

deep reinforcement learning (DRL), leveraging Deep Learning (DL) in reinforcement learning, has shown significant potential in achieving human-level autonomy in a wide range of domains, including robotics, computer vision, and computer games. This potential justifies the enthusiasm and

deep reinforcement learning drl deployment stack overflow challenges rl environment

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

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

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

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

自主驾驶的深度强化学习：一份综述

本文综述了深度强化学习算法在自动驾驶任务上的应用，包括分类、验证、测试和强化现有强化学习算法解决方案的方法，还介绍了相关领域和挑战。

Feb, 2020

实践中的强化学习：机遇与挑战

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。

Feb, 2022

诊断和利用视频游戏的计算需求进行深度强化学习

通过提出学习挑战诊断器 (LCD) 并使用其在 Procgen 基准测试中发现新的挑战分类，研究报道了在优化深度强化学习算法时出现的多种失败情况，并为更高效的进展提供了一条路径。

Sep, 2023

离线强化学习综述：分类、评估与开放性问题

本论文提出一个在线学习和离线学习技术的归一化分类法，总结了离线 RL 领域的最新算法突破和现有基准的特性和不足，并提供了对未来研究方向的展望。

Mar, 2022

基于深度强化学习的适应性和泛化性方法综述

本文调查研究 Deep Reinforcement Learning (DRL) 中关于任务和领域适应以及泛化的最新发展，讨论未来如何增强算法的适应性和泛化能力，以解决更广泛的实际问题。

Feb, 2022

通过对抗攻击和训练的强大深度强化学习：一项综述

深度强化学习可以通过对抗训练提高其鲁棒性和可靠性，本研究对当代对抗性攻击方法进行了深入分析和分类，以提高深度强化学习代理的鲁棒性。

Mar, 2024