Fugu-MT 論文翻訳(概要): Broad-persistent Advice for Interactive Reinforcement Learning Scenarios

論文の概要: Broad-persistent Advice for Interactive Reinforcement Learning Scenarios

arxiv url: http://arxiv.org/abs/2210.05187v1
Date: Tue, 11 Oct 2022 06:46:27 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 14:53:25.485294
Title: Broad-persistent Advice for Interactive Reinforcement Learning Scenarios
Title（参考訳）: 対話型強化学習シナリオに対する広義のアドバイス
Authors: Francisco Cruz, Adam Bignold, Hung Son Nguyen, Richard Dazeley, Peter Vamplew
Abstract要約: 本稿では,提供される知識の保持・再利用方法を提案する。その結果,広義のアドバイスを用いることで,エージェントの性能が著しく向上することが示唆された。
参考スコア（独自算出の注目度）: 2.0549239024359762
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The use of interactive advice in reinforcement learning scenarios allows for speeding up the learning process for autonomous agents. Current interactive reinforcement learning research has been limited to real-time interactions that offer relevant user advice to the current state only. Moreover, the information provided by each interaction is not retained and instead discarded by the agent after a single use. In this paper, we present a method for retaining and reusing provided knowledge, allowing trainers to give general advice relevant to more than just the current state. Results obtained show that the use of broad-persistent advice substantially improves the performance of the agent while reducing the number of interactions required for the trainer.
Abstract（参考訳）: 強化学習シナリオでインタラクティブなアドバイスを使用することで、自律エージェントの学習プロセスをスピードアップすることができる。現在のインタラクティブ強化学習研究は、現在の状態にのみ関連するユーザアドバイスを提供するリアルタイムインタラクションに限られている。さらに、各インタラクションが提供する情報は保持されず、単一の使用後にエージェントによって破棄される。本稿では,提供された知識を保持・再利用する方法を提案する。その結果, 広範囲なアドバイスを用いることで, エージェントの性能が向上し, トレーナーに必要なインタラクションの数も減少することがわかった。

関連論文リスト

Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
論文参考訳（メタデータ） (2022-03-19T03:22:57Z)
Continual Prompt Tuning for Dialog State Tracking [58.66412648276873]
望ましいダイアログシステムは、古いスキルを忘れずに継続的に新しいスキルを学ぶことができるべきである。本稿では,タスク間の知識伝達を可能にするパラメータ効率フレームワークであるContinuous Prompt Tuningを提案する。
論文参考訳（メタデータ） (2022-03-13T13:22:41Z)
A Broad-persistent Advising Approach for Deep Interactive Reinforcement Learning in Robotic Environments [0.3683202928838613]
Deep Interactive Reinforcement Learning (DeepIRL)には、外部トレーナーやエキスパートからのインタラクティブなフィードバックが含まれており、学習プロセスのスピードアップのために、学習者がアクションを選択するのを支援する。本稿では,BPA(Broad-peristent Advising)を提案する。トレーナーは、現在の状態だけでなく、同様の状態に関するより一般的なアドバイスを与えるだけでなく、エージェントが学習プロセスのスピードアップを可能にする。
論文参考訳（メタデータ） (2021-10-15T10:56:00Z)
PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
論文参考訳（メタデータ） (2021-06-09T14:10:50Z)
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)
Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。 InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文参考訳（メタデータ） (2020-11-04T12:12:25Z)
Human Engagement Providing Evaluative and Informative Advice for Interactive Reinforcement Learning [2.5799044614524664]
この研究は、評価的または情報的という2つのアプローチのどちらが人間にとって好ましい指導的アプローチであるかを答えることに焦点を当てている。結果は、ユーザーにより正確なアドバイスを提供し、学習者エージェントを長く支援し、エピソード毎により多くのアドバイスを提供することを示す。
論文参考訳（メタデータ） (2020-09-21T02:14:02Z)
A Conceptual Framework for Externally-influenced Agents: An Assisted Reinforcement Learning Review [10.73121872355072]
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。
論文参考訳（メタデータ） (2020-07-03T08:07:31Z)
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)
Transfer Heterogeneous Knowledge Among Peer-to-Peer Teammates: A Model Distillation Approach [55.83558520598304]
本研究は, モデル蒸留により, 複数の学生間で経験と伝達値関数を再利用する新しい手法を提案する。また、異種知識を活用するための効率的な通信プロトコルの設計方法について述べる。提案するフレームワークである学習・指導カテゴリー強化は,学習の進捗を安定化・加速する上で有望な性能を示す。
論文参考訳（メタデータ） (2020-02-06T11:31:04Z)

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。