Dec, 2023

进化储层用于元强化学习

PDF
TL;DR通过进化和发展之间的相互作用，本文提出了一种计算模型来研究能够使生物适应环境的机制，并使用元强化学习作为计算框架。通过进化递归神经网络架构的超参数而非权重值来生成的水库，可以促进复杂任务的学习、局部可观测任务的解决、促进运动任务学习中的振荡动力学以及学习行为的泛化能力。
adaptationevolutioncomputational modelreservoirsreinforcement learning
发现论文，激发创造
  • 控制任务中的循环架构的神经进化

    该研究提出了一种新方法，即利用少量的突变规则来动态演化循环神经网络的结构，其结果表明，这种方法可以在大多数情况下匹配或超过梯度下降方法的性能，同时使用数量级更少的参数，该方法有望在对网络紧凑性和自主设计至关重要的实际应用方面开辟新的途径。

    Apr, 2023

  • 记忆电阻池学会学习

    利用学习到学习框架，本文成功识别出膜电位的行为特征和最优超参数，这些特征与以前的研究相吻合，这表明 memristive reservoirs 可以模拟尖峰神经元的膜电位行为，并且可以作为尖峰电流和连续过程之间的接口。

    Jun, 2023

  • 使用多层读出的水库计算深度 Q 网络

    这篇论文提出了一种引入储备计算的重放记忆方法，在这种方法中，使用多层神经网络作为读出层可以提高基于递归神经网络的强化学习在四种控制任务中的学习性能。

    Mar, 2022

  • 量子储池计算的高效量子递归强化学习

    通过构建基于 QRNN 的储层，并利用 QLSTM 构建量子强化学习代理，本文提出了一种新方法以应对 QRNN 在 QRL 中训练低效的挑战，并使用异步优势演员 - 评论家算法进行训练。通过数值模拟验证了 QLSTM-Reservoir RL 框架的有效性，并通过与完全训练的 QLSTM RL 模型在相同架构和训练设置下的性能进行评估。

    Sep, 2023

  • 通过学习和进化实现具身智能

    我们引入 DERL，一种新的计算框架，通过仅利用低级别自我感知信息，可以演化出多样化的智能体形态，用于学习复杂环境下的运动和操作任务，并展示了环境复杂度、形态智能和控制可学性之间的关系。

    Feb, 2021

  • 强化学习学习

    本文提出了一种名为深度元强化学习的方法，该方法使用递归网络，在一个强化学习算法上进行训练，但其递归动态实现第二个、完全分离的强化学习过程，通过一系列七个验验证明了这种方法的潜在优势并提出了其可能引发的神经科学方面的重要影响。

    Nov, 2016

  • 基于形态环境共进化的课程强化学习

    通过 “形态环境共同进化（MECE）” 优化强化学习代理和形态，使其能够自动适应不断变化的环境，从而在不同环境中实现更好的泛化性能。

    Sep, 2023

  • 关于蓄水池计算及其超越传统机器学习的跨学科应用的调查

    储备计算（RC）是一种递归神经网络，通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力，可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学，可应用于物理硬件和生物设备的复杂动力学实现及对大脑机制的理解。本文对 RC 的发展进行了综合回顾，包括模型、应用和脑机制的建模，并提供了储备设计、编码框架统一、物理实现以及与认知神经科学和进化之间的相互作用等新视角。

    Jul, 2023

  • 基于元学习的深度在线学习：模型强化学习中的持续自适应

    本文旨在开发一种方法，从传入的数据流中使用深度神经网络模型进行连续的在线学习，使用随机梯度下降算法来更新模型参数，并使用先验的中餐馆过程的期望最大化算法来开发和维护一种混合模型来处理非平稳任务分布。我们将元学习应用于基于模型的强化学习，以适应预测模型关键控制任务中的连续快速自适应。

    Dec, 2018

  • 多尺度储备计算学习噪声诱导的转变

    利用噪声驱动的转换现象的机器学习模型，储层计算（一种递归神经网络）能够学习噪声引起的系统状态转换，通过调整关键的超参数，包括储层动力学的时间尺度，生成准确的转换时间和数量的统计数据，适用于多种系统和蛋白质折叠实验数据，表明机器学习方法可以捕捉噪声引发的现象。

    Sep, 2023