successor representations | BriefGPT

关键词successor representations

搜索结果 - 7

离线到在线强化学习中的任务泛化集成后继代表
使用离线数据集构建继任者表示法和集成 Q 函数的方法，以实现从离线到在线学习的任务泛化和快速适应新任务。
PDF2 months ago
使用神经继承网络和词嵌入形成概念认知地图
介绍了一种使用继任表示和神经网络的模型，以及单词嵌入向量，用于构建三个不同概念的认知图，从而根据输入提供多模态上下文信息，基于输入和预先存在的知识表示的相似性度量。
PDFa year ago
基于神经网络的空间和语言的后继代表
使用神经网络学习多尺度接班人表达，进而构建认知地图和神经网络接班人表达的结构化知识表示形式，实现了在监督学习、强化学习和非空间任务中精确学习并逼真模拟了海马 - 内部子网所观察到的神经元放电模式，为克服深度学习在人工通用智能方面的一些缺陷提
PDF2 years ago
IJCAISuccessor Options: 基于继承关系的强化学习选项发现框架
探讨一种名为 Successor Options 的新方法，该方法使用 Successor Representations 构建状态空间模型，通过学习伪奖励来了解内部操作策略，并且适用于高维空间的机器人控制环境。
PDF5 years ago
AAAI时序差异学习的源跟踪
该论文提出了一种基于模型的后继表示法 (SR) 的源迹 (source traces) 学习算法，证明了该算法的收敛性，同时开发了一种新算法来学习源图 (source map) 或 SR 矩阵，并探索了各种处理源或 SR 模型的方法，结果表
PDF5 years ago
ICCV使用深度继承表示进行视觉语义规划
本文提出了一种基于强化学习和模仿学习的视觉语义计划解决方案，使用后继表示来实现跨任务的泛化，用于预测将动态环境从初始状态转换到目标状态的操作序列，在 THOR 环境中实现了近乎最优的结果。
PDF7 years ago
深度继承强化学习
该论文介绍了 DSR，即在一个端到端的深度强化学习框架中，将 SR 进行了推广，通过奖励预测和继任者映射的分解提高了对远程奖励变化的灵敏度，并能够从随机策略下训练的继任者地图中提取瓶颈状态（子目标）。然后在两个不同的环境中展示了该方法的有
PDF8 years ago