論文の概要: Which Experiences Are Influential for Your Agent? Policy Iteration with Turn-over Dropout

• arxiv url: http://arxiv.org/abs/2301.11168v1
• Date: Thu, 26 Jan 2023 15:13:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-27 13:26:30.042558
• Title: Which Experiences Are Influential for Your Agent? Policy Iteration with Turn-over Dropout
• Title（参考訳）: エージェントにはどんな経験があるのか? ターンオーバードロップアウトによるポリシーイテレーション
• Authors: Takuya Hiraoka, Takashi Onishi, Yoshimasa Tsuruoka
• Abstract要約: 本稿では,ターンオーバードロップアウトを利用して,経験の影響を効率的に推定する政策イテレーションとしてPI+ToDを提案する。 We demonstrate the efficiency of PI+ToD with experiment in MuJoCo environment。
• 参考スコア（独自算出の注目度）: 15.856188608650228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In reinforcement learning (RL) with experience replay, experiences stored in a replay buffer influence the RL agent's performance. Information about the influence is valuable for various purposes, including experience cleansing and analysis. One method for estimating the influence of individual experiences is agent comparison, but it is prohibitively expensive when there is a large number of experiences. In this paper, we present PI+ToD as a method for efficiently estimating the influence of experiences. PI+ToD is a policy iteration that efficiently estimates the influence of experiences by utilizing turn-over dropout. We demonstrate the efficiency of PI+ToD with experiments in MuJoCo environments.
• Abstract（参考訳）: 経験的再生を伴う強化学習(RL)では、リプレイバッファに格納された経験がRLエージェントのパフォーマンスに影響を与える。 影響に関する情報は、経験の浄化や分析など、さまざまな目的に有用である。 個人体験の影響を推定する1つの方法はエージェント比較であるが、多数の経験がある場合、極めて高価である。 本稿では,経験の影響を効率的に推定する手法としてPI+ToDを提案する。 PI+ToDは、ターンオーバードロップアウトを利用して、経験の影響を効率的に見積もるポリシーイテレーションである。 我々は,mujoco環境における実験により,pi+todの効率を示す。

関連論文リスト

• Effect of Requirements Analyst Experience on Elicitation Effectiveness: A Family of Empirical Studies [40.186975773919706]
  本研究の目的は,経験が要求アナリストのパフォーマンスに影響を及ぼすかどうかを判断することであった。 不慣れな領域では、インタビュー、要求、開発、専門的な経験はアナリストの有効性に影響を与えない。 面接経験は肯定的な効果が強いのに対し、プロの体験は中程度の否定的な効果がある。
  論文  参考訳（メタデータ） (2024-08-22T16:48:04Z)
• Which Experiences Are Influential for RL Agents? Efficiently Estimating The Influence of Experiences [15.81191445609191]
  経験的なリプレイを伴う強化学習(RL)では、リプレイバッファに格納された経験がRLエージェントのパフォーマンスに影響を与える。 経験の影響を推定する1つの方法は、LOO法である。 ターンオーバー・ドロップアウト(PIToD)によるポリシー・イテレーションを行い,経験の影響を効率的に推定する。
  論文  参考訳（メタデータ） (2024-05-23T14:35:56Z)
• Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
  A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。 オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。 異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
  論文  参考訳（メタデータ） (2022-10-15T17:15:51Z)
• Basis for Intentions: Efficient Inverse Reinforcement Learning using Past Experience [89.30876995059168]
  逆強化学習(IRL) - エージェントの報酬関数をその振る舞いを観察することから推測する。 本稿では、エージェントの報酬関数を観察することのできないIRLの問題に対処する。
  論文  参考訳（メタデータ） (2022-08-09T17:29:49Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)
• Causal Influence Detection for Improving Efficiency in Reinforcement Learning [11.371889042789219]
  条件付き相互情報に基づく状況依存因果関係の尺度を導入する。 影響の状態を確実に検出できることが示される。 修正アルゴリズムはすべて、ロボット操作タスクにおけるデータ効率の大幅な向上を示している。
  論文  参考訳（メタデータ） (2021-06-07T09:21:56Z)
• Revisiting Prioritized Experience Replay: A Value Perspective [21.958500332929898]
  我々は、経験リプレイにより、過去の経験を利用して累積報酬を最大化することができると論じている。 我々のフレームワークはRLの2つの重要な量: $|textTD|$と経験の価値をリンクしている。 実験により,アタリゲームの最大エントロピーRLが向上することを示す。
  論文  参考訳（メタデータ） (2021-02-05T16:09:07Z)
• Learning to Sample with Local and Global Contexts in Experience Replay Buffer [135.94190624087355]
  遷移の相対的重要性を計算できる学習に基づく新しいサンプリング手法を提案する。 本研究の枠組みは, 様々な非政治強化学習手法の性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-07-14T21:12:56Z)
• Revisiting Fundamentals of Experience Replay [91.24213515992595]
  本稿では,Q-ラーニング手法における経験リプレイの体系的および広範囲な分析について述べる。 我々は、リプレイ能力と、収集した経験に対する学習更新率の2つの基本特性に焦点を当てた。
  論文  参考訳（メタデータ） (2020-07-13T21:22:17Z)
• Experience Replay with Likelihood-free Importance Weights [123.52005591531194]
  本研究は,現在の政策の定常分布下での経験を生かし,その可能性に基づいて,その経験を再評価することを提案する。 提案手法は,ソフトアクタ批判 (SAC) とツイン遅延Deep Deterministic Policy gradient (TD3) の2つの競合手法に実証的に適用する。
  論文  参考訳（メタデータ） (2020-06-23T17:17:44Z)

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。