論文の概要: Model-based Lifelong Reinforcement Learning with Bayesian Exploration

• arxiv url: http://arxiv.org/abs/2210.11579v1
• Date: Thu, 20 Oct 2022 20:40:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 15:28:30.392932
• Title: Model-based Lifelong Reinforcement Learning with Bayesian Exploration
• Title（参考訳）: ベイズ探索を用いたモデルベース生涯強化学習
• Authors: Haotian Fu, Shangqun Yu, Michael Littman, George Konidaris
• Abstract要約: 本稿では, 階層的ベイズ的後続蒸留を推定し, 異なるタスク間で共有される共通構造を抽出するモデルに基づく長寿命強化学習手法を提案する。 我々のアルゴリズムは、最先端の寿命RL法よりも前向きと後向きの転送性能がよいことを示す。
• 参考スコア（独自算出の注目度）: 12.484626010823684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a model-based lifelong reinforcement-learning approach that estimates a hierarchical Bayesian posterior distilling the common structure shared across different tasks. The learned posterior combined with a sample-based Bayesian exploration procedure increases the sample efficiency of learning across a family of related tasks. We first derive an analysis of the relationship between the sample complexity and the initialization quality of the posterior in the finite MDP setting. We next scale the approach to continuous-state domains by introducing a Variational Bayesian Lifelong Reinforcement Learning algorithm that can be combined with recent model-based deep RL methods, and that exhibits backward transfer. Experimental results on several challenging domains show that our algorithms achieve both better forward and backward transfer performance than state-of-the-art lifelong RL methods.
• Abstract（参考訳）: 本研究では,各タスク間で共有される共通構造を階層的ベイズ後方蒸留により推定するモデルベース生涯強化学習手法を提案する。 サンプルベースのベイズ探索法と組み合わされた学習後段は、関連するタスクのファミリー間で学習のサンプル効率を高める。 まず,有限mdp設定における試料の複雑さと後方初期化品質との関係について解析を行った。 次に、最近のモデルベース深部RL法と組み合わせることができる変分ベイズ生涯強化学習アルゴリズムを導入することで、連続状態領域へのアプローチをスケールし、後方転送を示す。 いくつかの挑戦的領域に対する実験結果から,我々のアルゴリズムは最先端の寿命RL法よりも前向きと後向きの転送性能がよいことが示された。

関連論文リスト

• Modern Neighborhood Components Analysis: A Deep Tabular Baseline Two Decades Later [59.88557193062348]
  我々は、インスタンス間のセマンティックな類似性をキャプチャする線形射影を学習するために設計された古典的近傍成分分析(NCA)を再考する。 学習目的の調整や深層学習アーキテクチャの統合といった微調整は,NAAの性能を著しく向上させることがわかった。 また,提案したModernNCAの効率性と予測精度を向上する,近隣のサンプリング戦略も導入する。
  論文  参考訳（メタデータ） (2024-07-03T16:38:57Z)
• Keep Various Trajectories: Promoting Exploration of Ensemble Policies in Continuous Control [17.64972760231609]
  本研究ではTEENと呼ばれる新しいアンサンブルRLアルゴリズムを提案する。 TEENは、サブ政治のみを使用する場合と比較して、アンサンブル政策のサンプル多様性を高める。 TEENは、試験された代表環境において、ベースラインアンサンブルDRLアルゴリズムを平均41%向上させる。
  論文  参考訳（メタデータ） (2023-10-17T10:40:05Z)
• Let's reward step by step: Step-Level reward model as the Navigators for Reasoning [64.27898739929734]
  Process-Supervised Reward Model (PRM)は、トレーニングフェーズ中にステップバイステップのフィードバックをLLMに提供する。 LLMの探索経路を最適化するために,PRMからのステップレベルのフィードバックを応用した欲求探索アルゴリズムを提案する。 提案手法の汎用性を探るため,コーディングタスクのステップレベル報酬データセットを自動生成する手法を開発し,コード生成タスクにおける同様の性能向上を観察する。
  論文  参考訳（メタデータ） (2023-10-16T05:21:50Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Posterior Sampling for Deep Reinforcement Learning [0.0]
  本稿では, 深層強化学習のための後方サンプリング (PSDRL) について紹介する。 Atariベンチマークの実験では、PSDRLは後方サンプリングをスケールアップする従来の最先端の試行を著しく上回っている。
  論文  参考訳（メタデータ） (2023-04-30T13:23:50Z)
• Inverse Reinforcement Learning for Text Summarization [52.765898203824975]
  本稿では,抽象的な要約モデルを学習するための効果的なパラダイムとして,逆強化学習(IRL)を導入する。 異なる領域におけるデータセット間の実験結果は、MLEおよびRLベースラインに対する要約のための提案したIRLモデルの優位性を示す。
  論文  参考訳（メタデータ） (2022-12-19T23:45:05Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• A Provably Efficient Model-Free Posterior Sampling Method for Episodic Reinforcement Learning [50.910152564914405]
  強化学習のための既存の後方サンプリング手法は、モデルベースであるか、線形MDPを超える最悪の理論的保証がないかによって制限される。 本稿では,理論的保証を伴うより一般的な補足的強化学習問題に適用可能な,後部サンプリングのモデルフリーな新しい定式化を提案する。
  論文  参考訳（メタデータ） (2022-08-23T12:21:01Z)
• Sample-efficient reinforcement learning using deep Gaussian processes [18.044018772331636]
  強化学習(Reinforcement learning)は、試行錯誤を通じてタスクを完了するためのアクションを制御するためのフレームワークを提供する。 モデルに基づく強化学習効率は、世界力学をシミュレートする学習によって改善される。 合成の深さがモデル複雑性をもたらすのに対して、ダイナミックスに関する事前の知識を取り入れることで、滑らかさと構造がもたらされる、深いガウス過程を導入する。
  論文  参考訳（メタデータ） (2020-11-02T13:37:57Z)

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。