論文の概要: Reinforcement Learning Algorithms: An Overview and Classification
- arxiv url: http://arxiv.org/abs/2209.14940v1
- Date: Thu, 29 Sep 2022 16:58:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 16:28:37.521646
- Title: Reinforcement Learning Algorithms: An Overview and Classification
- Title（参考訳）: 強化学習アルゴリズムの概要と分類
- Authors: Fadi AlMahamid, Katarina Grolinger
- Abstract要約: 本研究では,3種類の環境タイプを特定し,それらの環境タイプに応じて強化学習アルゴリズムを分類する。
各アルゴリズムの概要は、アルゴリズムの基礎についての洞察を与え、アルゴリズム間の類似点と相違点をレビューする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The desire to make applications and machines more intelligent and the
aspiration to enable their operation without human interaction have been
driving innovations in neural networks, deep learning, and other machine
learning techniques. Although reinforcement learning has been primarily used in
video games, recent advancements and the development of diverse and powerful
reinforcement algorithms have enabled the reinforcement learning community to
move from playing video games to solving complex real-life problems in
autonomous systems such as self-driving cars, delivery drones, and automated
robotics. Understanding the environment of an application and the algorithms'
limitations plays a vital role in selecting the appropriate reinforcement
learning algorithm that successfully solves the problem on hand in an efficient
manner. Consequently, in this study, we identify three main environment types
and classify reinforcement learning algorithms according to those environment
types. Moreover, within each category, we identify relationships between
algorithms. The overview of each algorithm provides insight into the
algorithms' foundations and reviews similarities and differences among
algorithms. This study provides a perspective on the field and helps
practitioners and researchers to select the appropriate algorithm for their use
case.
- Abstract（参考訳）: アプリケーションやマシンをよりインテリジェントにしたいという願望と、人間のインタラクションなしで操作できるようにするという願望が、ニューラルネットワークやディープラーニング、その他の機械学習技術の革新を駆動している。
強化学習は主にビデオゲームで使用されているが、最近の進歩と多様で強力な強化アルゴリズムの開発により、強化学習コミュニティはビデオゲームのプレイから、自動運転車、配送ドローン、自動ロボティクスといった自律システムにおける複雑な現実の問題を解決することができた。
アプリケーションの環境とアルゴリズムの限界を理解することは、手持ちの問題を効率的に解決する適切な強化学習アルゴリズムを選択する上で重要な役割を担っている。
そこで本研究では,3つの環境タイプを特定し,これらの環境タイプに応じて強化学習アルゴリズムを分類する。
さらに,各カテゴリにおいて,アルゴリズム間の関係を識別する。
各アルゴリズムの概要は、アルゴリズムの基礎に関する洞察を提供し、アルゴリズム間の類似性と相違点をレビューする。
本研究は、現場の視点を提供し、実践者や研究者がユースケースに適したアルゴリズムを選択するのを助ける。
関連論文リスト
- Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。
この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文 参考訳（メタデータ） (2024-02-21T12:16:51Z) - Towards a Systems Theory of Algorithms [9.4471844989393]
我々は、他のアルゴリズム、物理システム、人間、データベースと相互作用するオープンな動的システムとして、アルゴリズムを見ることを好む。
注目すべきことに、システム理論の傘下で開発された多様体ツールは、アルゴリズム領域における様々な課題に対処するのに適している。
論文 参考訳（メタデータ） (2024-01-25T09:20:21Z) - The Clock and the Pizza: Two Stories in Mechanistic Explanation of
Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。
単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文 参考訳（メタデータ） (2023-06-30T17:59:13Z) - Dual Algorithmic Reasoning [9.701208207491879]
本稿では,基礎となるアルゴリズム問題の双対性を利用してアルゴリズムを学習することを提案する。
アルゴリズム学習における最適化問題の2つの定義を同時に学習することで、より良い学習が可能になることを実証する。
次に、難易度の高い脳血管分類タスクにデプロイすることで、二元アルゴリズム推論の現実的な実用性を検証する。
論文 参考訳（メタデータ） (2023-02-09T08:46:23Z) - Discovering Unsupervised Behaviours from Full-State Trajectories [1.827510863075184]
本稿では,自律的に行動特性を見出す品質多様性アルゴリズムとして,自律型ロボットの能力を実現する手法を提案する。
本手法は,ロボットが実状態の軌道から自律的にその能力を見いださなければならないシミュレーションロボット環境において評価する。
より具体的には、分析されたアプローチは、ロボットを多様な位置に移動させるポリシーを自律的に見つけるだけでなく、脚を多様な方法で活用し、ハーフロールも行う。
論文 参考訳（メタデータ） (2022-11-22T16:57:52Z) - Neural Algorithmic Reasoning [11.566653801306844]
我々はアルゴリズムが深層学習法と根本的に異なる性質を持っていると論じる。
学習アルゴリズムの連続空間における要素を表現することによって、ニューラルネットワークは既知のアルゴリズムを現実世界の問題により密接に適応することができる。
論文 参考訳（メタデータ） (2021-05-06T15:33:57Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳（メタデータ） (2021-01-08T18:55:07Z) - Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。
このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。
一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
論文 参考訳（メタデータ） (2020-09-23T07:18:21Z) - Meta-Gradient Reinforcement Learning with an Objective Discovered Online [54.15180335046361]
本稿では,深層ニューラルネットワークによって柔軟にパラメータ化される,自己目的のメタ段階的降下に基づくアルゴリズムを提案する。
目的はオンラインで発見されるため、時間とともに変化に適応することができる。
Atari Learning Environmentでは、メタグラディエントアルゴリズムが時間とともに適応して、より効率よく学習する。
論文 参考訳（メタデータ） (2020-07-16T16:17:09Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z) - AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。
汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。
機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文 参考訳（メタデータ） (2020-03-06T19:00:04Z)
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。