关键词prioritized experience replay
搜索结果 - 11
- 使用多步深度强化学习的血糖控制的改进策略
通过深度强化学习和多步算法，本研究在血糖控制方面验证了多步强化学习的有效性，可能有助于探索最佳血糖控制措施，提高糖尿病患者的生存率。
- 直接关注损失调整的优先经验回放
通过并行自注意力网络，直接量化改变的分布程度以准确补偿误差，并设计优化样本筛选标准的优先 - 鼓励机制来提高训练效率。与基于值函数、基于策略梯度和多智能体强化学习算法相结合验证 DALAP 的有效性和普适性，多组对比实验表明 DALAP 在 - 注意损失调整的优先经验回放
提出一种 Attention Loss Adjusted Prioritized (ALAP) Experience Replay 算法，结合改进的 Self-Attention 网络和 Double-Sampling 机制，用于拟合超参数 - ICML基于好奇心回放的模型自适应方法
通过使用基于好奇心的优先信号的好奇式回放优化模型代理，我们在模拟环境中取得了优秀的探索性能，DreamerV3 与 Curious Replay 在 Crafter 基准测试上取得了超过 14.5 的最高分，达到了 19.4 的均值分数。
- 离线优先经验回放
提出了一种基于优先重现经验的离线强化学习算法，通过一类设计良好的优先级函数来更频繁地访问高回报的转移，从而缓解了分布移位问题并提高了算法性能。
- 分布式优先经验回放的量子深度 Q 学习
本文介绍了 QDQN-DPER 框架，以提高量子强化学习（QRL）在解决顺序决策任务中的效率。框架将优先经验回放和异步训练结合到训练算法中，以减少高采样复杂度。数值模拟表明，QDQN-DPER 比具有相同模型架构的基线分布式量子 Q 学习表 - 演员优先的经验回放
本文提出了一种新的经验回放采样框架，旨在解决深度强化学习模型 Prioritized Experience Replay (PER) 在连续控制任务上表现不佳的问题，同时还解决了 POLICY GRADIENT 问题和稳定性问题。在 ext - 损失函数与非均匀采样在经验重放中的等效性
本研究使用优先经验回放（PER）解决深度强化学习中样本分布不均衡问题，通过等价变换使得非均衡损失函数拥有与均衡损失函数相同的梯度，并在 MuJoCo 和 Atari 环境中验证了其优越性。
- ICML最大熵模型推出：快速基于模型的策略优化，无需累计误差
本文提出一种最大熵模型回滚算法以解决深度神经网络动力学模型在长期预测时的累积误差问题。作者通过非均匀采样环境状态生成多样性模型回滚，并使用优先经验重放来完成最大熵采样标准。初步实验表明，该算法在效率和性能上都优于其他模型预测算法。
- 分布式分布式确定性策略梯度
本研究采用分布式角度的强化学习来适用于连续控制环境，提出了分布式分布式深度确定策略梯度算法 D4PG，结合了 N 步回报和优先经验回放等简单改进。实验结果表明，在各种控制任务、难以操作的任务和一组基于障碍的定位任务中，D4PG 算法均实现了 - 分布式优先经验回放
本文中，我们提出了一个分布式深度强化学习架构，可以使代理能够有效地从数量级更多的数据中学习，其中优先经验回放是实现高性能的关键因素。