atari 2600 games | BriefGPT

关键词atari 2600 games

搜索结果 - 9

高效探索的非降分位函数网络在分布式强化学习中的应用
本文主要介绍了关于分布式强化学习 (DRL) 中，如何保证量化函数的有效性和高效利用分布信息的两个问题。在此基础上，提出了非降量化函数网络 (NDQFN) 保证得到的量化估计的单调性，并设计了一种名为分布预测误差 (DPE) 的通用探索框架
PDF3 years ago
Atari 中的无监督状态表示学习
本论文提出了一种学习状态表示的方法，通过最大化观察神经编码器的空间和时间不同特征之间的相互信息来学习这些表示。此外，本文还介绍了一个基于 Atari 2600 游戏的新基准评估方法，用于评估它们能够捕捉地面真实状态变量的能力。我们相信这个新
PDF5 years ago
DQN 中的泛化和正则化
本研究提出了一种在不同 Atari 2600 游戏模式下进行强化学习泛化评估的方法，并证明 DQN 存在过度训练环境的问题；通过适当运用 dropout 和正则化，以及优化表示来提高泛化能力，有效提升 DQN 的样本效率。
PDF6 years ago
分位数回归的分布式强化学习
本文介绍了一种分布强化学习方法，不仅仅用于估计价值函数的平均值，而是显式地建模返回的分布，通过闭合实验和文献相关得到了一些理论和算法上的结果，最后在 Atari 2600 游戏中，该算法的表现显著优于许多 DQN 的改进方案，包括相关的分布
PDF7 years ago
使用人类演示进行神经网络预训练的深度强化学习
通过使用小规模的人类演示来完成深度强化学习网络的预训练，可以更好地发现特征，并且可以使训练时间显著缩短，并可在 Atari 2600 游戏中实现。
PDF7 years ago
使用深度循环 Q 学习预测交互环境中注视位置
本文利用强化学习和软注意机制结合的 Deep Q-Network 模型教导代理人玩游戏时关注视觉输入的最相关部分，并通过在多个 Atari 2600 游戏上的评估，证明软注意力模型可以比 Itti-Kochs 显著地预测焦点位置。
PDF8 years ago
增大行动差距：强化学习的新算子
介绍了一些新的 Q 函数的保优性算子，其中包括局部策略一致性一类的操作，可以有效减缓近似和估计误差对诱导贪心策略的不良影响，并在包括枚举离散问题和连续问题的情形下提供了有效性证明。
PDF9 years ago
使用浅层强化学习技术控制 Atari 游戏的现状
本文研究深度强化学习算法 DQN 在 Atari 2600 游戏中成功的关键，并提供一种通用的表示方法，以减轻对每个游戏进行表示学习的负担，并为未来 ALE 计算机学习领域提供了可复制和可比性的基准。
PDF9 years ago
深度强化学习的大规模并行方法
本文介绍了第一个大规模分布式深度强化学习的架构，使用 Parallel Actors、Parallel Learners、分布式神经网络和分布式体验存储等四个主要组件，在 Atari 2600 游戏中应用 Deep Q-Network 算法
PDF9 years ago