論文の概要: A Conceptual Framework for Externally-influenced Agents: An Assisted Reinforcement Learning Review

• arxiv url: http://arxiv.org/abs/2007.01544v2
• Date: Mon, 20 Sep 2021 03:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:52:20.510089
• Title: A Conceptual Framework for Externally-influenced Agents: An Assisted Reinforcement Learning Review
• Title（参考訳）: 外部に影響を及ぼすエージェントの概念的枠組み--強化学習の概観
• Authors: Adam Bignold, Francisco Cruz, Matthew E. Taylor, Tim Brys, Richard Dazeley, Peter Vamplew, Cameron Foale
• Abstract要約: 支援強化学習のための概念的枠組みと分類法を提案する。 提案する分類法は,外部情報ソースと学習者エージェントの関係を詳細に記述する。 エージェントの性能向上のために外部情報を用いた強化学習の現在の流れを同定する。
• 参考スコア（独自算出の注目度）: 10.73121872355072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A long-term goal of reinforcement learning agents is to be able to perform tasks in complex real-world scenarios. The use of external information is one way of scaling agents to more complex problems. However, there is a general lack of collaboration or interoperability between different approaches using external information. In this work, while reviewing externally-influenced methods, we propose a conceptual framework and taxonomy for assisted reinforcement learning, aimed at fostering collaboration by classifying and comparing various methods that use external information in the learning process. The proposed taxonomy details the relationship between the external information source and the learner agent, highlighting the process of information decomposition, structure, retention, and how it can be used to influence agent learning. As well as reviewing state-of-the-art methods, we identify current streams of reinforcement learning that use external information in order to improve the agent's performance and its decision-making process. These include heuristic reinforcement learning, interactive reinforcement learning, learning from demonstration, transfer learning, and learning from multiple sources, among others. These streams of reinforcement learning operate with the shared objective of scaffolding the learner agent. Lastly, we discuss further possibilities for future work in the field of assisted reinforcement learning systems.
• Abstract（参考訳）: 強化学習エージェントの長期的な目標は、複雑な現実世界のシナリオでタスクを実行できることだ。 外部情報の利用は、エージェントをもっと複雑な問題にスケーリングする方法のひとつです。 しかし、外部情報を使用する異なるアプローチ間でのコラボレーションや相互運用が一般的に欠如している。 本研究では,学習過程において外部情報を利用する様々な手法を分類・比較することにより協調を促進することを目的とした,支援強化学習のための概念的枠組みと分類法を提案する。 提案する分類法では,外部情報ソースと学習者エージェントの関係を詳述し,情報分解,構造,保持のプロセス,エージェント学習にどのように影響するかを明らかにした。 エージェントの性能と意思決定プロセスを改善するために外部情報を利用する強化学習の現在の流れを,最先端の手法の見直しとともに確認する。 これには、ヒューリスティック強化学習、インタラクティブ強化学習、デモからの学習、転送学習、複数のソースからの学習などが含まれる。 これらの強化学習の流れは、学習者エージェントの足場形成という共通の目的と共に動作する。 最後に,支援強化学習システムにおける今後の研究の可能性について論じる。

関連論文リスト

• Multi-agent cooperation through learning-aware policy gradients [53.63948041506278]
  利己的な個人はしばしば協力に失敗し、マルチエージェント学習の根本的な課題を提起する。 本稿では,学習型強化学習のための,偏見のない高導出性ポリシー勾配アルゴリズムを提案する。 我々は, 受刑者のジレンマから, 自己関心のある学習エージェントの間でどのように, いつ, 協力関係が生じるかの新たな説明を得た。
  論文  参考訳（メタデータ） (2024-10-24T10:48:42Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Explaining Agent's Decision-making in a Hierarchical Reinforcement Learning Scenario [0.6643086804649938]
  強化学習(Reinforcement learning)は、行動心理学に基づく機械学習手法である。 本研究では,サブタスクからなる階層環境において,メモリベースで説明可能な強化学習手法を利用する。
  論文  参考訳（メタデータ） (2022-12-14T01:18:45Z)
• Deep Reinforcement Learning for Multi-Agent Interaction [14.532965827043254]
  自律エージェント研究グループは、自律システム制御のための新しい機械学習アルゴリズムを開発した。 本稿では,現在進行中の研究ポートフォリオの概要を概説するとともに,今後の課題について論じる。
  論文  参考訳（メタデータ） (2022-08-02T21:55:56Z)
• Rethinking Learning Dynamics in RL using Adversarial Networks [79.56118674435844]
  本稿では,スキル埋め込み空間を通じてパラメータ化された,密接に関連するスキルの強化学習のための学習機構を提案する。 本研究の主な貢献は、エントロピー規則化政策勾配定式化の助けを借りて、強化学習のための敵の訓練体制を定式化することである。
  論文  参考訳（メタデータ） (2022-01-27T19:51:09Z)
• Persistent Rule-based Interactive Reinforcement Learning [0.5999777817331317]
  現在の対話型強化学習研究は、現在の状態にのみ関連するアドバイスを提供する相互作用に限られている。 本稿では,ルールに基づく対話型強化学習手法,すなわち,提供された知識の保持と再利用のための手法を提案する。 実験の結果,持続的アドバイスはエージェントの性能を著しく向上させるとともに,トレーナーに必要なインタラクションの数を減らすことができることがわかった。
  論文  参考訳（メタデータ） (2021-02-04T06:48:57Z)
• Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
  本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。 このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。 シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-10-27T13:17:18Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Knowledge-guided Deep Reinforcement Learning for Interactive Recommendation [49.32287384774351]
  インタラクティブレコメンデーションは、アイテムとユーザ間の動的インタラクションから学び、応答性と精度を達成することを目的としている。 本稿では,知識指導型深層強化学習を提案する。
  論文  参考訳（メタデータ） (2020-04-17T05:26:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。