Fugu-MT 論文翻訳(概要): SDSRA: A Skill-Driven Skill-Recombination Algorithm for Efficient Policy Learning

論文の概要: SDSRA: A Skill-Driven Skill-Recombination Algorithm for Efficient Policy Learning

arxiv url: http://arxiv.org/abs/2312.03216v1
Date: Wed, 6 Dec 2023 01:15:34 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 16:30:40.671086
Title: SDSRA: A Skill-Driven Skill-Recombination Algorithm for Efficient Policy Learning
Title（参考訳）: sdsra:効率的な政策学習のためのスキル駆動スキル組換えアルゴリズム
Authors: Eric H. Jiang and Andrew Lizarraga
Abstract要約: SDSRA(Skill-Driven Skill Recombination Algorithm)は、強化学習タスクにおける最大エントロピーの効率を高める革新的なフレームワークである。 SDSRAは従来のSoft Actor-Critic(SAC)アルゴリズムよりも高速な収束を実現し、改善されたポリシーを生成する。
参考スコア（独自算出の注目度）: 1.450405446885067
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we introduce a novel algorithm - the Skill-Driven Skill Recombination Algorithm (SDSRA) - an innovative framework that significantly enhances the efficiency of achieving maximum entropy in reinforcement learning tasks. We find that SDSRA achieves faster convergence compared to the traditional Soft Actor-Critic (SAC) algorithm and produces improved policies. By integrating skill-based strategies within the robust Actor-Critic framework, SDSRA demonstrates remarkable adaptability and performance across a wide array of complex and diverse benchmarks.
Abstract（参考訳）: 本稿では,SDSRA(Skill-Driven Skill Recombination Algorithm)という,強化学習タスクにおける最大エントロピーの効率を大幅に向上する,新しいアルゴリズムを提案する。 SDSRAは従来のSoft Actor-Critic(SAC)アルゴリズムよりも高速な収束を実現し、改善されたポリシーを生成する。堅牢なアクタ-クリティックフレームワークにスキルベースの戦略を統合することで、sdsraは、幅広い複雑で多様なベンチマークで顕著な適応性とパフォーマンスを示している。

関連論文リスト

Applying Incremental Learning in Binary-Addition-Tree Algorithm for Dynamic Binary-State Network Reliability [0.08158530638728499]
Binary-Addition-Treeアルゴリズム(BAT)は、ネットワークの信頼性と最適化問題を解決する強力な暗黙列挙法である。漸進的な学習を導入することで、新たなデータやネットワークの変更に直面すると、BATが適応し、そのパフォーマンスを反復的に改善できるようになります。
論文参考訳（メタデータ） (2024-09-24T04:13:03Z)
An Automatic Learning Rate Schedule Algorithm for Achieving Faster Convergence and Steeper Descent [10.061799286306163]
実世界のニューラルネットワーク最適化におけるデルタバーデルタアルゴリズムの収束挙動について検討する。 RDBD(Regrettable Delta-Bar-Delta)と呼ばれる新しい手法を提案する。提案手法は,バイアス付き学習率調整の迅速な修正を可能にし,最適化プロセスの収束を保証する。
論文参考訳（メタデータ） (2023-10-17T14:15:57Z)
Diverse Policies Converge in Reward-free Markov Decision Processe [19.42193141047252]
我々は、多様性強化学習の枠組みを統一し、多様な政策の訓練の収束について検討する。また,このような枠組みの下で,効率の良い多様性強化学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-08-23T05:17:51Z)
Hierarchical Deep Counterfactual Regret Minimization [53.86223883060367]
本稿では,大規模な状態空間や深部ゲームツリーを含むタスクにおいて,学習効率を向上させる革新的な手法であるDeep CFRの最初の階層バージョンを紹介する。 HDCFRのこれまでの研究よりも顕著な利点は、事前に定義された(人間的な)専門知識による学習の促進と、同様のタスクに移行可能なスキルの獲得を促進する能力である。
論文参考訳（メタデータ） (2023-05-27T02:05:41Z)
Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文参考訳（メタデータ） (2023-05-24T17:26:22Z)
MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文参考訳（メタデータ） (2023-02-02T18:27:20Z)
Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文参考訳（メタデータ） (2022-10-02T05:03:38Z)
Ensemble Reinforcement Learning in Continuous Spaces -- A Hierarchical Multi-Step Approach for Policy Training [4.982806898121435]
本稿では,革新的な多段階統合手法に基づいて,基礎学習者のアンサンブルを訓練する手法を提案する。本手法は,学習者間コラボレーションを効果的に促進するアンサンブルDRLのための新しい階層学習アルゴリズムの開発を可能にする。また、このアルゴリズムは複数のベンチマークRL問題に対していくつかの最先端のDRLアルゴリズムより優れていることを示す。
論文参考訳（メタデータ） (2022-09-29T00:42:44Z)
An Improved Reinforcement Learning Algorithm for Learning to Branch [12.27934038849211]
ブランチ・アンド・バウンド(B&B)は最適化の一般的な方法である。本稿では,新しい強化学習に基づくB&Bアルゴリズムを提案する。提案アルゴリズムの性能を3つの公開研究ベンチマークで評価した。
論文参考訳（メタデータ） (2022-01-17T04:50:11Z)
An Efficient Asynchronous Method for Integrating Evolutionary and Gradient-based Policy Search [76.73477450555046]
本稿では、ESの並列効率を最大化し、ポリシー勾配法と統合する非同期進化戦略強化学習(AES-RL)を提案する。具体的には、(1)ESとDRLを非同期にマージする新しいフレームワークを提案し、2)非同期、ES、DRLのすべての利点を利用できる様々な非同期更新方法を提案する。
論文参考訳（メタデータ） (2020-12-10T02:30:48Z)
SUNRISE: A Simple Unified Framework for Ensemble Learning in Deep Reinforcement Learning [102.78958681141577]
SUNRISEは単純な統一アンサンブル法であり、様々な非政治的な深層強化学習アルゴリズムと互換性がある。 SUNRISEは, (a) アンサンブルに基づく重み付きベルマンバックアップと, (b) 最上位の自信境界を用いて行動を選択する推論手法を統合し, 効率的な探索を行う。
論文参考訳（メタデータ） (2020-07-09T17:08:44Z)

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。