state representation learning | BriefGPT

关键词state representation learning

搜索结果 - 11

学习瞬时可控的状态表示
计算行为的目的性描述和规范性方面包括现行（或未来）世界状况的确定以及对于实现代理人目标的这些状态的可取性的评估；本文提出了一种关于有限代理人中状态表示学习的新理论框架，通过目标导向或目标性状态的概念将描述性方面与规范性方面相结合；我们定义了
PDF14 days ago
状态表示学习中的最大流形容量表示
通过引入 Maximum Manifold Capacity Representation 并与 DeepInfomax with an unbalanced atlas 相结合，本研究创新地整合了模型压缩的优化类别可分离性的方法，并通过核
PDFa month ago
Atari 游戏中部分可观测无监督表示学习
本文提出了一种用于部分可观测状态的无监督状态表示学习方案，相比受监督学习的 ST-DIM 方法在 Atari 游戏中的表现提高了，平均准确率得分达到了约 66％，平均 F1 得分为约 64％。
PDFa year ago
利用视角一致动力学加速数据效率强化学习中的表征学习
通过提出多视角马尔可夫决策过程和视图一致的动力学模型，在深度强化学习中学习图像观测的信息表示，以达到数据高效的目的。该模型在 DeepMind Control Suite 和 Atari-100k 数据集上的实验验证表明，其是视觉控制任务最
PDF2 years ago
DisCoRL: 基于策略蒸馏的连续强化学习
本文提出了 DisCoRL 方法，该方法结合状态表示学习和策略蒸馏来解决多任务强化学习中的挑战，并在三个 2D 导航任务上进行了实验验证。
PDF5 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
ICML使用策略蒸馏和 Sim2Real 传输在现实中部署的连续强化学习
研究如何训练一个机器人能够在一个连续的学习情境中解决所有遇到的任务，而不会忘记以前的任务。研究采用强化学习算法，应用于三轮全向机器人的 2D 导航任务，通过状态表征学习和策略蒸馏的方法，提高算法的样本效率与任务综合性能。
PDF5 years ago
ICLR目标驱动机器人中从策略学习中分离特征提取：评估状态表示学习的优劣
该论文提出了一种基于状态表示学习的方法用于实现机器人视觉控制中的高效强化学习，该方法包含多个状态表示学习方法，能够提高采样效率、提高性能、抗超参数变化，并编码所有相关特征。
PDF5 years ago
强化学习中的拉普拉斯算子：用高效近似学习表示
本文提出了一种全面通用且可扩展的方法，用于在模型自由强化学习 (model-free RL) 的情境下逼近图拉普拉斯算子的特征向量，结果表明我们的技术能够显著提高 RL 代理的性能，适用于目标实现 RL 任务等应用。
PDF6 years ago
S-RL Toolbox: 对状态表示学习提供环境、数据集和评估指标
本文提出一套环境、数据生成器、机器人控制任务、评估指标和工具，以促进强化学习环境下迭代状态表示学习和评估。
PDF6 years ago
控制问题的状态表示学习综述
综述了最近几年在机器人控制任务中，涉及环境交互的各种状态表示学习方法及其应用，并重点介绍了这些算法如何利用通用学习目标。最后，讨论了评估方法以评估所学习的表示，并总结了现有和未来的研究方向。
PDF6 years ago