Apr, 2024

探索是否足够？强化学习中用于迁移的有效探索特征

PDF
TL;DR通过分析探索算法的特点和效果，我们研究了深度强化学习中的在线迁移学习，发现某些特征与多种迁移任务的有效性和效率改善相关，为特定迁移情况提供了有针对性的探索算法特征建议。
发现论文，激发创造
  • 强化学习中探索在任务迁移中的作用

    探索利用平衡是强化学习领域中一个著名且被广泛研究的问题，该研究旨在探讨探索策略在在线任务迁移中的作用并分析探索方法的不同之处以期为未来的研究提出方向。

    Oct, 2022

  • 通过策略空间中的最优传输测量强化学习中的探索

    量化和比较强化学习算法通过知识传递在探索和学习方面的努力，并使用基于最优输运的度量方法比较强化学习和监督学习算法在数据分布空间中的路径总长度，从而提供有关强化学习算法的探索行为的洞见并比较不同算法的探索行为。

    Feb, 2024

  • 安全探索的环境特征解耦学习

    本文介绍了一种解耦环境特征与任务特定特征的方法，使得代理能够在同一环境下更好的进行任务迁移和新任务风险降低，研究结果表明，此方法能够更安全地利用先前知识。

    Aug, 2017

  • 强化学习中勘探对泛化的重要性

    基于探索的深度强化学习方法对新环境具有良好的泛化能力，通过使用一种基于 Q 值分布集合的探索方法，该算法在 Procgen 和 Crafter 两个高维强化学习一般化基准上取得了最新的进展。

    Jun, 2023

  • 多样性应对不确定性：学习多样化行为以实现高效适应和迁移

    基于转移学习的强化学习智能体在发现给定任务的所有有用解决方案方面至关重要，以应对任务或转移动力学的变化。我们提出了一种简单的方法来发现给定任务的所有可能解决方案，以获得在转移设置中表现良好并能够快速适应任务或转移动力学变化的智能体。我们的方法迭代地学习一组策略，而每个后续策略都受到所有先前策略下的不太可能解决方案的约束。与以往的方法不同，我们的方法不需要学习额外的新颖性检测模型，并通过直接将约束融入行动选择和优化步骤中，避免了任务和新颖性奖励信号的平衡。

    Oct, 2023

  • 基於強化學習的探索方法綜述

    本文介绍了关于（连续）强化学习中现代探索方法的调查，以及探索方法的分类。

    Sep, 2021

  • 探索感知强化学习再探

    研究在强化学习中的探索和利用的权衡，通过解决探索感知标准来获得最优政策，结果是在表格和深度强化学习算法中应用简单变化并在离散和连续动作空间中，相对于非探索感知对应物表现出更好的性能。

    Dec, 2018

  • 应用内在动机技术于强化学习在难度较高的探索环境中的评估研究

    本文旨在探讨强化学习中的探索问题以及先锋内在动机技术对不同设计因素的可变性和易感性的影响，强调这些设计方面的谨慎选择以及环境和任务的探索要求，以保证公正比较。

    May, 2022

  • 多任务强化学习的样本复杂度

    介绍了一种新的多任务算法用于强化学习任务，该算法显着减少了探索的每个任务的样本复杂性，并保证不会出现负转移，与对应的单任务算法相比具有可比性。

    Sep, 2013

  • 为高效探索确定目标取向轨迹

    本研究查明了纯随机漫步无法在大多数环境中成功扩展探索领域，并提出将单个随机操作选择替换为随机目标选择，该方法与任何基于好奇心的探索和脱机强化学习代理兼容，并生成比单个随机操作更长且更安全的轨迹。

    Jul, 2018