深度强化学习中具有任务关联的近端课程

IJCAIMay, 2024

深度强化学习中具有任务关联的近端课程

Proximal Curriculum with Task Correlations for Deep Reinforcement Learning

Georgios Tzannetos, Parameswaran Kamalaruban, Adish Singla

TL;DR基于近发展区概念，我们提出了一种名为 ProCuRL-Target 的新型课程计划，它可以在复杂任务的目标分布上平衡选择任务的需要，通过利用任务之间的相关性推动代理的学习，从而加速深度强化学习代理的训练过程。

Abstract

curriculum design for reinforcement learning (RL) can speed up an agent's learning process and help it learn to perform well on complex tasks. However, existing techniques typically require domain-specific hyperp

curriculum design reinforcement learning contextual multi-task settings procurl-target task correlations

发现论文，激发创造

强化学习代理的近端课程

通过分析两个简单的学习场景，我们设计了一种叫做 ProCuRL 的课程策略，受到了教育概念中的 “近发展区”（Zone of Proximal Development，ZPD）的启发。我们还提出了 ProCuRL 的实用变体，可在最小的超参数调整下直接与深度强化学习框架集成，从而有效地加速深度强化学习代理的训练过程。实验结果表明，与现有的基线相比，我们的课程策略在各种领域中都取得了较好的效果。

Apr, 2023

强化学习中的师生课程学习

提出了一种基于师生课程学习的强化学习方法，该方法独立于人类领域知识和手动课程设置，可以改善学生的样本效率和通用性。

Oct, 2022

尝试时重来，而不是尝试更久：自适应课程学习的先验学习

该研究论文提出了一种两阶段自适应教学方法，以提高深度强化学习（DRL）智能体的性能，主要包括使用过程生成任务、自动课程学习（ACL）和探索课程等关键词。

Apr, 2020

强化学习中的课程表政策学习

本文研究课程学习在强化学习中的应用，并针对多个传递学习算法扩展已有的课程设计方法，通过学习 MDP（Markov Decision Process) 过程中的课程策略，得出可以用于训练代理人的课程，进而实现更快或同等方法的学习效率。

Dec, 2018

强化学习领域的课程学习：框架与综述

本文提出了强化学习中的课程学习框架，并使用此框架对现有的课程学习方法进行分类和研究，以找出未解决的问题并提出未来研究的方向。