論文の概要: MBRL-Lib: A Modular Library for Model-based Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2104.10159v1
• Date: Tue, 20 Apr 2021 17:58:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-21 13:31:29.151630
• Title: MBRL-Lib: A Modular Library for Model-based Reinforcement Learning
• Title（参考訳）: モデルベース強化学習のためのモジュールライブラリmbrl-lib
• Authors: Luis Pineda, Brandon Amos, Amy Zhang, Nathan O. Lambert, Roberto Calandra
• Abstract要約: PyTorchに基づく継続的ステートアクション空間におけるモデルベースの強化学習のための機械学習ライブラリであるMBRL-Libを紹介した。 研究者の双方にとって、新しいアルゴリズムを簡単に開発、デバッグ、比較し、専門家でないユーザーと組み合わせて、最先端のアルゴリズムのデプロイのエントリーバーを低くするプラットフォームとして設計されている。
• 参考スコア（独自算出の注目度）: 13.467075854633213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model-based reinforcement learning is a compelling framework for data-efficient learning of agents that interact with the world. This family of algorithms has many subcomponents that need to be carefully selected and tuned. As a result the entry-bar for researchers to approach the field and to deploy it in real-world tasks can be daunting. In this paper, we present MBRL-Lib -- a machine learning library for model-based reinforcement learning in continuous state-action spaces based on PyTorch. MBRL-Lib is designed as a platform for both researchers, to easily develop, debug and compare new algorithms, and non-expert user, to lower the entry-bar of deploying state-of-the-art algorithms. MBRL-Lib is open-source at https://github.com/facebookresearch/mbrl-lib.
• Abstract（参考訳）: モデルに基づく強化学習は、世界と相互作用するエージェントのデータ効率の学習のための魅力的なフレームワークである。 このアルゴリズムの族には多くのサブコンポーネントがあり、慎重に選択し調整する必要がある。 その結果、研究者が現場に接近し、それを現実世界のタスクに展開するためのエントリーバーは、大変なことになる。 本稿では,PyTorch に基づく連続状態行動空間におけるモデルベース強化学習のための機械学習ライブラリ MBRL-Lib を提案する。 MBRL-Libは、新しいアルゴリズムを開発し、デバッグし、非専門家のユーザーと比較し、最先端のアルゴリズムをデプロイするエントリバーを低くするために、両方の研究者のためのプラットフォームとして設計されている。 MBRL-Libはhttps://github.com/facebookresearch/mbrl-libでオープンソース公開されている。

関連論文リスト

• OpenRL: A Unified Reinforcement Learning Framework [19.12129820612253]
  先進的な強化学習(RL)フレームワークであるOpenRLを紹介する。 シングルエージェントの課題から複雑なマルチエージェントシステムまで、さまざまなタスクに対応するように設計されている。 自然言語処理(NLP)とRLを統合することで、研究者はRLトレーニングと言語中心のタスクを効果的に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-12-20T12:04:06Z)
• RLtools: A Fast, Portable Deep Reinforcement Learning Library for Continuous Control [8.159171440455824]
  深層強化学習(Deep Reinforcement Learning, RL)は、複数のドメインで有能なエージェントとコントロールポリシーを得られるが、一般的には、非常に長い訓練時間によって悩まされる。 RLtoolsは依存性のない、ヘッダのみの純粋なC++ライブラリで、深い教師付きと強化学習のためのライブラリである。
  論文  参考訳（メタデータ） (2023-06-06T09:26:43Z)
• SequeL: A Continual Learning Library in PyTorch and JAX [50.33956216274694]
  SequeLは継続学習のためのライブラリで、PyTorchとJAXフレームワークの両方をサポートする。 それは、正規化ベースのアプローチ、リプレイベースのアプローチ、ハイブリッドアプローチを含む、幅広い連続学習アルゴリズムのための統一インターフェースを提供する。 私たちはSequeLをオープンソースライブラリとしてリリースし、研究者や開発者が自身の目的で簡単にライブラリを実験し拡張することができます。
  論文  参考訳（メタデータ） (2023-04-21T10:00:22Z)
• A Unified Framework for Alternating Offline Model Training and Policy Learning [62.19209005400561]
  オフラインモデルに基づく強化学習では、歴史的収集データから動的モデルを学び、学習モデルと固定データセットを用いてポリシー学習を行う。 提案手法は,本手法が期待するリターンを最小限に抑えるための,反復的なオフラインMBRLフレームワークを開発する。 提案する統一型モデル政治学習フレームワークにより、我々は、広範囲の連続制御オフライン強化学習データセット上での競合性能を実現する。
  論文  参考訳（メタデータ） (2022-10-12T04:58:51Z)
• MARLlib: A Scalable and Efficient Multi-agent Reinforcement Learning Library [82.77446613763809]
  本稿では,マルチエージェントタスクとアルゴリズムの組み合わせを高速に開発するためのライブラリであるMARLlibを紹介する。 MARLlibは、マルチエージェントタスクとアルゴリズムの学習過程を効果的に切り離すことができる。 ライブラリのソースコードはGitHubで公開されている。
  論文  参考訳（メタデータ） (2022-10-11T03:11:12Z)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)
• MALib: A Parallel Framework for Population-based Multi-agent Reinforcement Learning [61.28547338576706]
  人口ベースマルチエージェント強化学習(PB-MARL)は、強化学習(RL)アルゴリズムでネストした一連の手法を指す。 PB-MARLのためのスケーラブルで効率的な計算フレームワークMALibを提案する。
  論文  参考訳（メタデータ） (2021-06-05T03:27:08Z)
• Integrating Distributed Architectures in Highly Modular RL Libraries [4.297070083645049]
  ほとんどの人気のある強化学習ライブラリは、高度にモジュール化されたエージェントの構成性を主張している。 本稿では、RLエージェントを独立した再利用可能なコンポーネントによって異なるスケールで定義できる汎用的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-06T10:22:07Z)
• A Game Theoretic Framework for Model Based Reinforcement Learning [39.45066100705418]
  モデルベース強化学習(MBRL)は、最近、サンプル効率と非政治データを組み込む能力により、大きな関心を集めている。 我々は,MBRLをゲームとして活用する新たなフレームワークを開発する。(1)学習モデルの下で報酬を最大化しようとするポリシープレイヤー,(2)ポリシープレイヤーが収集した実世界のデータに適合しようとするモデルプレイヤー。 当社のフレームワークは一貫性があり,従来から重要であった勾配の明確な基盤を提供します。
  論文  参考訳（メタデータ） (2020-04-16T17:51:45Z)
• MushroomRL: Simplifying Reinforcement Learning Research [60.70556446270147]
  MushroomRLはオープンソースのPythonライブラリで、強化学習(RL)実験の実装と実行を簡単にするために開発された。 他の利用可能なライブラリと比較して、MushroomRLは、新しいRL方法論の実装とテストの労力を最小限に抑えるために、包括的で柔軟なフレームワークを提供することを目的として作られた。
  論文  参考訳（メタデータ） (2020-01-04T17:23:34Z)

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。