PDRL：基于多智能体强化学习的预测性监控

Sep, 2023

PDRL：基于多智能体强化学习的预测性监控

PDRL: Multi-Agent based Reinforcement Learning for Predictive Monitoring

Thanveer Shaik, Xiaohui Tao, Lin Li, Haoran Xie, U R Acharya...

TL;DR提出了一种新颖且通用的预测深度强化学习（PDRL）系统，用于监测复杂环境中的未来状态，并在时间序列预测过程中取得了最先进的性能。

Abstract

reinforcement learning has been increasingly applied in monitoring applications because of its ability to learn from previous experiences and can make adaptive decisions. However, existing machine learning-based health monitoring applications are mostly supervised learning algorithms,

reinforcement learning health monitoring time series forecasting deep q network transfer learning

发现论文，激发创造

基于多智能体深度强化学习的 AI 驱动病人监测

通过使用多智能体深度强化学习 (DRL) 的人工智能驱动的患者监控框架，我们提出了一个有效的患者监测系统，在处理复杂、动态的环境和波动的生命体征方面具有很大优势。我们的实验结果证明了该框架在监测患者生命体征方面的准确性优于传统模型，并通过超参数优化来提升学习过程，使其能够适应多样的患者情况和实时做出决策。

Sep, 2023

基于循环神经网络的监督增强学习在动态治疗推荐中的应用

本文提出一种基于监督强化学习和循环神经网络的动态治疗建议系统，用于处理医疗记录中的复杂关系和部分观测问题，实验结果表明该系统能够有效减少患者死亡率和提高医疗建议的准确性。

Jul, 2018

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

多智能体深度强化学习的调查与批判

本文对当前多智能体深度强化学习文献进行清晰的概述，回顾前沿组件的发展并提出新手引导和研究前景，同时提出了多个实际挑战。

Oct, 2018

关于提高 POMDP 上深度强化学习的方法

提出了 Action-specific Deep Recurrent Q-Network (ADRQN) 的新体系结构，该体系结构使用 LSTM 层来学习潜在状态，以增强在多个部分可观察领域的学习性能，包括 Atari 游戏。

Apr, 2018

基于图的强化学习在时间序列预测中的应用

本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。

Sep, 2023

医学影像中的深度强化学习：文献综述

这篇论文综述了深度强化学习在医学成像中的应用，分别从深度强化学习的基础知识、医学成像领域的应用及未来展望等方面进行了解析。

Mar, 2021

基于深度强化学习的预测性机动规划（PMP-DRL）用于舒适和安全的自动驾驶

本文提出了一种使用深度强化学习进行的预测机动规划模型，该模型结合了预测模型和 RL 代理以实现舒适和安全的机动规划，通过使用历史驾驶数据训练预测模型，将周围车辆的过去和预测的未来位置嵌入到上下文感知的网格地图中进行学习，同时，RL 代理学习基于时空上下文信息进行机动规划，该模型在公开可用的 NGSIM US101 和 I80 数据集中进行了性能评估。

Jun, 2023

循环强化学习：一种混合方法

本文研究了一种深度学习方法，将强化学习和监督学习结合，通过长短时记忆网络对隐藏状态的表示进行学习，在部分可观测任务中表现出了很好的性能。

Sep, 2015

逐渐演变环境中的行为强化学习

当强化学习代理在实践中部署时，它们可能会对环境产生影响并改变其动态。本研究提出了一个框架，该框架中当前环境的演变依赖于部署策略及其先前的动力学，用以分析学习算法在这些模型中的性能。通过在我们的设置中结合两个 performative prediction 文献中的算法并提出一种名为 MDRR 的新算法，我们提供了这些算法收敛的条件，并使用三个度量指标比较它们。与以往方法不同，MDRR 在训练中结合了多次部署的样本，使其特别适用于环境的响应强烈依赖于其先前的动力学的场景。在基于仿真的测试平台上实验比较这些算法时，结果显示 MDRR 收敛速度显著快于以往方法。

Feb, 2024